Teoretyczne i zaawansowane uczenie maszynowe z TensorFlow
Przed rozpoczęciem korzystania z poniższych materiałów szkoleniowych upewnij się, że:
Ukończ nasz program nauczania Podstawy uczenia maszynowego z TensorFlow lub uzyskaj równoważną wiedzę
Masz doświadczenie w tworzeniu oprogramowania, szczególnie w Pythonie
Ten program jest punktem wyjścia dla osób, które chciałyby:
Poprawić ich zrozumienie ML
Rozpocznij zrozumienie i wdrażanie dokumentów z TensorFlow
Zanim przejdziesz dalej, powinieneś już mieć podstawową wiedzę na temat działania ML lub ukończyć materiały szkoleniowe z programu nauczania dla początkujących Podstawy uczenia maszynowego z TensorFlow . Poniższa treść ma na celu poprowadzić uczących się do bardziej teoretycznych i zaawansowanych treści związanych z uczeniem maszynowym. Zobaczysz, że wiele zasobów korzysta z TensorFlow, jednak wiedza może być przeniesiona na inne frameworki ML.
Aby lepiej zrozumieć ML, powinieneś mieć doświadczenie w programowaniu w Pythonie, a także wiedzę z zakresu rachunku różniczkowego, algebry liniowej, prawdopodobieństwa i statystyki. Aby pomóc Ci pogłębić wiedzę na temat uczenia maszynowego, wymieniliśmy szereg polecanych zasobów i kursów z uniwersytetów, a także kilka podręczników.
Krok 1: Odśwież swoje zrozumienie pojęć matematycznych
ML to ciężka dyscyplina matematyczna. Jeśli planujesz modyfikować modele ML lub budować nowe od podstaw, ważna jest znajomość podstawowych pojęć matematycznych. Nie musisz uczyć się całej matematyki z góry, ale zamiast tego możesz wyszukiwać pojęcia, których nie znasz, gdy się na nie natkniesz. Jeśli minęło trochę czasu, odkąd ukończyłeś kurs matematyki, spróbuj obejrzeć Esencję algebry liniowej i Esencję list odtwarzania z 3blue1brown , aby się odświeżyć. Zalecamy kontynuowanie zajęć na uniwersytecie lub oglądanie otwartych wykładów z MIT, takich jak Algebra Liniowa lub Rachunek Pojedynczej Zmiennej .
Seria krótkich, wizualnych filmów wideo od 3blue1brown, które wyjaśniają geometryczne rozumienie macierzy, wyznaczników, elementów własnych i nie tylko.
Seria krótkich, wizualnych filmów wideo firmy 3blue1brown, które wyjaśniają podstawy rachunku różniczkowego w sposób, który pozwala dobrze zrozumieć podstawowe twierdzenia, a nie tylko sposób działania równań.
Ten kurs wprowadzający z MIT obejmuje teorię macierzy i algebrę liniową. Nacisk kładzie się na tematy, które będą przydatne w innych dyscyplinach, w tym układy równań, przestrzenie wektorowe, wyznaczniki, wartości własne, podobieństwa i macierze dodatnio określone.
Ten kurs wprowadzający do rachunku różniczkowego z MIT obejmuje różnicowanie i integrację funkcji jednej zmiennej z aplikacjami.
Krok 2: Pogłęb swoje zrozumienie głębokiego uczenia się dzięki tym kursom i książkom
Nie ma jednego kursu, który nauczy Cię wszystkiego, co musisz wiedzieć o głębokim uczeniu się. Jednym z podejść, które mogą być pomocne, jest udział w kilku kursach w tym samym czasie. Chociaż materiał będzie nakładał się na siebie, wielu instruktorów wyjaśnia pojęcia na różne sposoby, szczególnie w przypadku złożonych tematów. Poniżej znajduje się kilka kursów, które polecamy, aby pomóc Ci zacząć. Możesz zbadać każdy z nich razem lub po prostu wybrać te, które są dla Ciebie najbardziej odpowiednie.
Pamiętaj, że im więcej się nauczysz i utrwalisz te koncepcje poprzez praktykę, tym bardziej będziesz biegły w budowaniu i ocenie własnych modeli ML.
Weź udział w tych kursach:
Kurs MIT 6.S191: Wprowadzenie do głębokiego uczenia się to kurs wprowadzający do głębokiego uczenia się z TensorFlow z MIT, a także wspaniały zasób.
Specjalizacja Deep Learning Andrew Ng w Coursera uczy również podstaw głębokiego uczenia, w tym sieci konwolucyjnych, RNNS, LSTM i innych. Ta specjalizacja ma na celu pomóc Ci zastosować głębokie uczenie się w swojej pracy i zbudować karierę w AI.
W tym kursie z MIT zdobędziesz podstawową wiedzę na temat algorytmów głębokiego uczenia i zdobędziesz praktyczne doświadczenie w budowaniu sieci neuronowych w TensorFlow.
DeepLearning.AI
Specjalizacja Deep LearningNa pięciu kursach poznasz podstawy Deep Learning, zrozumiesz, jak budować sieci neuronowe i nauczysz się prowadzić udane projekty uczenia maszynowego i budować karierę w AI. Opanujesz nie tylko teorię, ale także zobaczysz, jak znajduje zastosowanie w przemyśle.
⬆ I ⬇ Przeczytaj te książki:
Aby uzupełnić to, czego uczysz się na kursach wymienionych powyżej, zalecamy zagłębienie się w lekturę poniższych książek. Każda książka jest dostępna online i zawiera dodatkowe materiały, które pomogą Ci ćwiczyć.
Możesz zacząć od przeczytania Deep Learning: An MIT Press Book autorstwa Iana Goodfellowa, Yoshuy Bengio i Aarona Courville'a. Podręcznik Deep Learning to zaawansowany zasób, który ma pomóc uczniom pogłębić ich zrozumienie. Książce towarzyszy strona internetowa , na której znajdują się różnorodne materiały uzupełniające, w tym ćwiczenia, slajdy z wykładów, poprawki błędów i inne zasoby umożliwiające praktyczne przećwiczenie koncepcji.
Możesz również zapoznać się z internetową książką Michaela Nielsena Sieci neuronowe i głębokie uczenie . Ta książka przedstawia teoretyczne podstawy sieci neuronowych. Nie używa TensorFlow, ale jest świetnym punktem odniesienia dla studentów zainteresowanych nauką więcej.
Ten podręcznik do głębokiego uczenia się jest zasobem, który ma pomóc uczniom i praktykom w wejściu w dziedzinę uczenia maszynowego, a w szczególności uczenia głębokiego.
Ta książka przedstawia teoretyczne podstawy sieci neuronowych. Nie używa TensorFlow, ale jest świetnym punktem odniesienia dla studentów zainteresowanych nauką więcej.
Krok 3: Przeczytaj i zaimplementuj dokumenty za pomocą TensorFlow
W tym miejscu polecamy przeczytanie artykułów i wypróbowanie zaawansowanych tutoriali na naszej stronie, które zawierają implementacje kilku znanych publikacji. Najlepszym sposobem na nauczenie się zaawansowanej aplikacji, tłumaczenia maszynowego lub napisów do obrazów jest przeczytanie artykułu, do którego link znajduje się w samouczku. Pracując nad nim, znajdź odpowiednie sekcje kodu i użyj ich, aby wzmocnić swoje zrozumienie.
Teoretyczne i zaawansowane uczenie maszynowe z TensorFlow
Przed rozpoczęciem korzystania z poniższych materiałów szkoleniowych upewnij się, że:
Ukończ nasz program nauczania Podstawy uczenia maszynowego z TensorFlow lub uzyskaj równoważną wiedzę
Masz doświadczenie w tworzeniu oprogramowania, szczególnie w Pythonie
Ten program jest punktem wyjścia dla osób, które chciałyby:
Poprawić ich zrozumienie ML
Rozpocznij zrozumienie i wdrażanie dokumentów z TensorFlow
Zanim przejdziesz dalej, powinieneś już mieć podstawową wiedzę na temat działania ML lub ukończyć materiały szkoleniowe z programu nauczania dla początkujących Podstawy uczenia maszynowego z TensorFlow . Poniższa treść ma na celu poprowadzić uczących się do bardziej teoretycznych i zaawansowanych treści związanych z uczeniem maszynowym. Zobaczysz, że wiele zasobów korzysta z TensorFlow, jednak wiedza może być przeniesiona na inne frameworki ML.
Aby lepiej zrozumieć ML, powinieneś mieć doświadczenie w programowaniu w Pythonie, a także wiedzę z zakresu rachunku różniczkowego, algebry liniowej, prawdopodobieństwa i statystyki. Aby pomóc Ci pogłębić wiedzę na temat uczenia maszynowego, wymieniliśmy szereg polecanych zasobów i kursów z uniwersytetów, a także kilka podręczników.
Krok 1: Odśwież swoje zrozumienie pojęć matematycznych
ML to ciężka dyscyplina matematyczna. Jeśli planujesz modyfikować modele ML lub budować nowe od podstaw, ważna jest znajomość podstawowych pojęć matematycznych. Nie musisz uczyć się całej matematyki z góry, ale zamiast tego możesz wyszukiwać pojęcia, których nie znasz, gdy się na nie natkniesz. Jeśli minęło trochę czasu, odkąd ukończyłeś kurs matematyki, spróbuj obejrzeć Esencję algebry liniowej i Esencję list odtwarzania z 3blue1brown , aby się odświeżyć. Zalecamy kontynuowanie zajęć na uniwersytecie lub oglądanie otwartych wykładów z MIT, takich jak Algebra Liniowa lub Rachunek Pojedynczej Zmiennej .
Seria krótkich, wizualnych filmów wideo od 3blue1brown, które wyjaśniają geometryczne rozumienie macierzy, wyznaczników, elementów własnych i nie tylko.
Seria krótkich, wizualnych filmów wideo firmy 3blue1brown, które wyjaśniają podstawy rachunku różniczkowego w sposób, który pozwala dobrze zrozumieć podstawowe twierdzenia, a nie tylko sposób działania równań.
Ten kurs wprowadzający z MIT obejmuje teorię macierzy i algebrę liniową. Nacisk kładzie się na tematy, które będą przydatne w innych dyscyplinach, w tym układy równań, przestrzenie wektorowe, wyznaczniki, wartości własne, podobieństwa i macierze dodatnio określone.
Ten kurs wprowadzający do rachunku różniczkowego z MIT obejmuje różnicowanie i integrację funkcji jednej zmiennej z aplikacjami.
Krok 2: Pogłęb swoje zrozumienie głębokiego uczenia się dzięki tym kursom i książkom
Nie ma jednego kursu, który nauczy Cię wszystkiego, co musisz wiedzieć o głębokim uczeniu się. Jednym z podejść, które mogą być pomocne, jest udział w kilku kursach w tym samym czasie. Chociaż materiał będzie nakładał się na siebie, wielu instruktorów wyjaśnia pojęcia na różne sposoby, szczególnie w przypadku złożonych tematów. Poniżej znajduje się kilka kursów, które polecamy, aby pomóc Ci zacząć. Możesz zbadać każdy z nich razem lub po prostu wybrać te, które są dla Ciebie najbardziej odpowiednie.
Pamiętaj, że im więcej się nauczysz i utrwalisz te koncepcje poprzez praktykę, tym bardziej będziesz biegły w budowaniu i ocenie własnych modeli ML.
Weź udział w tych kursach:
Kurs MIT 6.S191: Wprowadzenie do głębokiego uczenia się to kurs wprowadzający do głębokiego uczenia się z TensorFlow z MIT, a także wspaniały zasób.
Specjalizacja Deep Learning Andrew Ng w Coursera uczy również podstaw głębokiego uczenia, w tym sieci konwolucyjnych, RNNS, LSTM i innych. Ta specjalizacja ma na celu pomóc Ci zastosować głębokie uczenie się w swojej pracy i zbudować karierę w AI.
W tym kursie z MIT zdobędziesz podstawową wiedzę na temat algorytmów głębokiego uczenia i zdobędziesz praktyczne doświadczenie w budowaniu sieci neuronowych w TensorFlow.
DeepLearning.AI
Specjalizacja Deep LearningNa pięciu kursach poznasz podstawy Deep Learning, zrozumiesz, jak budować sieci neuronowe i nauczysz się prowadzić udane projekty uczenia maszynowego i budować karierę w AI. Opanujesz nie tylko teorię, ale także zobaczysz, jak znajduje zastosowanie w przemyśle.
⬆ I ⬇ Przeczytaj te książki:
Aby uzupełnić to, czego uczysz się na kursach wymienionych powyżej, zalecamy zagłębienie się w lekturę poniższych książek. Każda książka jest dostępna online i zawiera dodatkowe materiały, które pomogą Ci ćwiczyć.
Możesz zacząć od przeczytania Deep Learning: An MIT Press Book autorstwa Iana Goodfellowa, Yoshuy Bengio i Aarona Courville'a. Podręcznik Deep Learning to zaawansowany zasób, który ma pomóc uczniom pogłębić ich zrozumienie. Książce towarzyszy strona internetowa , na której znajdują się różnorodne materiały uzupełniające, w tym ćwiczenia, slajdy z wykładów, poprawki błędów i inne zasoby umożliwiające praktyczne przećwiczenie koncepcji.
Możesz również zapoznać się z internetową książką Michaela Nielsena Sieci neuronowe i głębokie uczenie . Ta książka przedstawia teoretyczne podstawy sieci neuronowych. Nie używa TensorFlow, ale jest świetnym punktem odniesienia dla studentów zainteresowanych nauką więcej.
Ten podręcznik do głębokiego uczenia się jest zasobem, który ma pomóc uczniom i praktykom w wejściu w dziedzinę uczenia maszynowego, a w szczególności uczenia głębokiego.
Ta książka przedstawia teoretyczne podstawy sieci neuronowych. Nie używa TensorFlow, ale jest świetnym punktem odniesienia dla studentów zainteresowanych nauką więcej.
Krok 3: Przeczytaj i zaimplementuj dokumenty za pomocą TensorFlow
W tym miejscu polecamy przeczytanie artykułów i wypróbowanie zaawansowanych tutoriali na naszej stronie, które zawierają implementacje kilku znanych publikacji. Najlepszym sposobem na nauczenie się zaawansowanej aplikacji, tłumaczenia maszynowego lub napisów do obrazów jest przeczytanie artykułu, do którego link znajduje się w samouczku. Pracując nad nim, znajdź odpowiednie sekcje kodu i użyj ich, aby wzmocnić swoje zrozumienie.