Ter experiência em desenvolvimento de software, principalmente em Python
Este currículo é um ponto de partida para pessoas que desejam:
Melhorar a compreensão deles sobre ML
Comece a entender e implementar documentos com o TensorFlow
Você já deve ter conhecimento básico de como o ML funciona ou ter concluído os materiais de aprendizagem do currículo para iniciantes Noções básicas de aprendizado de máquina com TensorFlow antes de continuar. O conteúdo abaixo tem como objetivo orientar os alunos para conteúdos de aprendizado de máquina mais teóricos e avançados. Você verá que muitos dos recursos usam o TensorFlow, no entanto, o conhecimento pode ser transferido para outras estruturas de ML.
Para aprofundar sua compreensão de ML, você deve ter experiência em programação Python, bem como experiência em cálculo, álgebra linear, probabilidade e estatística. Para ajudá-lo a aprofundar seu conhecimento de ML, listamos vários recursos e cursos recomendados de universidades, bem como alguns livros didáticos.
Etapa 1: atualize sua compreensão dos conceitos matemáticos
ML é uma disciplina matemática pesada. Se você planeja modificar modelos de ML ou criar novos do zero, é importante estar familiarizado com os conceitos matemáticos subjacentes. Você não precisa aprender toda a matemática antecipadamente, mas em vez disso, pode procurar conceitos com os quais não está familiarizado à medida que os encontra. Se já faz algum tempo que você não faz um curso de matemática, tente assistir às listas de reprodução Essência da álgebra linear e Essência do cálculo de 3blue1brown para se atualizar. Recomendamos que você continue fazendo aulas em uma universidade ou assistindo palestras de acesso aberto do MIT, como Álgebra Linear ou Cálculo de Variável Única .
Uma série de vídeos curtos e visuais de 3blue1brown que explicam os fundamentos do cálculo de uma forma que proporciona uma forte compreensão dos teoremas fundamentais, e não apenas de como as equações funcionam.
Este curso introdutório do MIT cobre teoria de matrizes e álgebra linear. É dada ênfase a tópicos que serão úteis em outras disciplinas, incluindo sistemas de equações, espaços vetoriais, determinantes, autovalores, similaridade e matrizes definidas positivas.
Etapa 2: aprofunde sua compreensão do aprendizado profundo com estes cursos e livros
Não existe um curso único que ensine tudo o que você precisa saber sobre aprendizado profundo. Uma abordagem que pode ser útil é fazer alguns cursos ao mesmo tempo. Embora haja sobreposição no material, ter vários instrutores explicando conceitos de maneiras diferentes pode ser útil, especialmente para tópicos complexos. Abaixo estão vários cursos que recomendamos para ajudar você a começar. Você pode explorar cada um deles juntos ou apenas escolher aqueles que acharem mais relevantes para você.
Lembre-se de que quanto mais você aprender e reforçar esses conceitos por meio da prática, mais apto você estará na construção e avaliação de seus próprios modelos de ML.
A especialização em aprendizado profundo de Andrew Ng no Coursera também ensina os fundamentos do aprendizado profundo, incluindo redes convolucionais, RNNS, LSTMs e muito mais. Esta especialização foi projetada para ajudá-lo a aplicar o aprendizado profundo em seu trabalho e a construir uma carreira em IA.
Neste curso do MIT, você obterá conhecimento básico de algoritmos de aprendizado profundo e experiência prática na construção de redes neurais no TensorFlow.
Em cinco cursos, você aprenderá os fundamentos do Deep Learning, entenderá como construir redes neurais e aprenderá como liderar projetos de aprendizado de máquina bem-sucedidos e construir uma carreira em IA. Você dominará não apenas a teoria, mas também verá como ela é aplicada na indústria.
Para complementar o que você aprendeu nos cursos listados acima, recomendamos que você se aprofunde lendo os livros abaixo. Cada livro está disponível online e oferece materiais complementares para ajudá-lo a praticar.
Você pode começar lendo Deep Learning: An MIT Press Book, de Ian Goodfellow, Yoshua Bengio e Aaron Courville. O livro didático Deep Learning é um recurso avançado destinado a ajudar os alunos a aprofundar sua compreensão. O livro é acompanhado por um site , que fornece uma variedade de materiais complementares, incluindo exercícios, slides de palestras, correções de erros e outros recursos para que você pratique os conceitos.
Você também pode explorar o livro online de Michael Nielsen , Neural Networks and Deep Learning . Este livro fornece uma base teórica sobre redes neurais. Não utiliza TensorFlow, mas é uma ótima referência para estudantes interessados em aprender mais.
por Ian Goodfellow, Yoshua Bengio e Aaron Courville
Este livro didático de Deep Learning é um recurso destinado a ajudar estudantes e profissionais a entrar no campo do aprendizado de máquina em geral, e do aprendizado profundo em particular.
Este livro fornece uma base teórica sobre redes neurais. Não utiliza TensorFlow, mas é uma ótima referência para estudantes interessados em aprender mais.
Etapa 3: leia e implemente documentos com o TensorFlow
Neste ponto, recomendamos a leitura de artigos e a experimentação dos tutoriais avançados em nosso site, que contêm implementações de algumas publicações bem conhecidas. A melhor maneira de aprender um aplicativo avançado, tradução automática ou legenda de imagens é lendo o artigo vinculado ao tutorial. À medida que você trabalha nisso, encontre as seções relevantes do código e use-as para ajudar a solidificar sua compreensão.
Noções básicas de aprendizado de máquina com TensorFlow
Próximo
Especialização: Noções básicas de TensorFlow para desenvolvimento Javascript
[null,null,[],[],[],null,["# Theoretical and Advanced Machine Learning\n\n[TensorFlow](/tutorials) › [Resources](/resources/models-datasets) › [Learn ML](/resources/learn-ml) › [Guide](/resources/learn-ml/theoretical-and-advanced-machine-learning) › \n\nTheoretical and advanced machine learning with TensorFlow\n=========================================================\n\nBefore starting on the learning materials below, be sure to:\n\n1. Complete our curriculum [Basics of machine learning with TensorFlow](/resources/learn-ml/basics-of-machine-learning), or have equivalent knowledge\n\n2. Have software development experience, particularly in Python\n\nThis curriculum is a starting point for people who would like to:\n\n1. Improve their understanding of ML\n\n2. Begin understanding and implementing papers with TensorFlow\n\nYou should already have background knowledge of how ML works or completed the learning materials in the beginner curriculum [Basics of machine learning with TensorFlow](/resources/learn-ml/basics-of-machine-learning) before continuing. The below content is intended to guide learners to more theoretical and advanced machine learning content. You will see that many of the resources use TensorFlow, however, the knowledge is transferable to other ML frameworks.\n\nTo further your understanding of ML, you should have Python programming experience as well as a background in calculus, linear algebra, probability, and statistics. To help you deepen your ML knowledge, we have listed a number of recommended resources and courses from universities, as well as a couple of textbooks. \n\nStep 1: Refresh your understanding of math concepts\n---------------------------------------------------\n\nML is a math heavy discipline. If you plan to modify ML models, or build new ones from scratch, familiarity with the underlying math concepts is important. You don't have to learn all the math upfront, but instead you can look up concepts you are unfamiliar with as you come across them. If it's been a while since you've taken a math course, try watching the [Essence of linear algebra](https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab) and the [Essence of calculus](https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr) playlists from 3blue1brown for a refresher. We recommend that you continue by taking a class from a university, or watching open access lectures from MIT, such as [Linear Algebra](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) or [Single Variable Calculus](https://ocw.mit.edu/courses/mathematics/18-01-single-variable-calculus-fall-2006/). \n[Essence of Linear Algebra](https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab) \nby 3Blue1Brown \nA series of short, visual videos from 3blue1brown that explain the geometric understanding of matrices, determinants, eigen-stuffs and more. \nFree [View series](https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab) \nMath \n[Essence of Calculus](https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr) \nby 3Blue1Brown \nA series of short, visual videos from 3blue1brown that explain the fundamentals of calculus in a way that give you a strong understanding of the fundamental theorems, and not just how the equations work. \nFree [View series](https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr) \nMath \n[MIT 18.06: Linear Algebra](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) \nThis introductory course from MIT covers matrix theory and linear algebra. Emphasis is given to topics that will be useful in other disciplines, including systems of equations, vector spaces, determinants, eigenvalues, similarity, and positive definite matrices. \nFree [View course](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) \nMath \n[MIT 18.01: Single Variable Calculus](https://ocw.mit.edu/courses/mathematics/18-01-single-variable-calculus-fall-2006/) \nThis introductory calculus course from MIT covers differentiation and integration of functions of one variable, with applications. \nFree [View course](https://ocw.mit.edu/courses/mathematics/18-01-single-variable-calculus-fall-2006/) \nMath \n\nStep 2: Deepen your understanding of deep learning with these courses and books\n-------------------------------------------------------------------------------\n\nThere is no single course that will teach you everything you need to know about deep learning. One approach that may be helpful is to take a few courses at the same time. Although there will be overlap in the material, having multiple instructors explain concepts in different ways can be helpful, especially for complex topics. Below are several courses we recommend to help get you started. You can explore each of them together, or just choose the ones that feel the most relevant to you.\n\nRemember, the more you learn, and reinforce these concepts through practice, the more adept you will be at building and evaluating your own ML models. \n\n##### Take these courses:\n\n[MIT course 6.S191: Introduction to Deep Learning](http://introtodeeplearning.com/) is an introductory course for Deep Learning with TensorFlow from MIT and also a wonderful resource.\n\nAndrew Ng's [Deep Learning Specialization at Coursera](https://www.coursera.org/specializations/deep-learning) also teaches the foundations of deep learning, including convolutional networks, RNNS, LSTMs, and more. This specialization is designed to help you apply deep learning in your work, and to build a career in AI. \n[MIT 6.S191: Introduction to Deep Learning](http://introtodeeplearning.com/) \nIn this course from MIT, you will gain foundational knowledge of deep learning algorithms and get practical experience in building neural networks in TensorFlow. \nFree [View course](http://introtodeeplearning.com/) \nCode \nMath \nTheory \nBuild \n\nDeepLearning.AI\n[Deep Learning Specialization](https://www.coursera.org/specializations/deep-learning) \nIn five courses, you will learn the foundations of Deep Learning, understand how to build neural networks, and learn how to lead successful machine learning projects and build a career in AI. You will master not only the theory, but also see how it is applied in industry. \n[View course](https://www.coursera.org/specializations/deep-learning) \nCode \nMath \nTheory \nBuild \n\n##### ⬆ And ⬇\nRead these books:\n\nTo complement what you learn in the courses listed above, we recommend that you dive deeper by reading the books below. Each book is available online, and offers supplementary materials to help you practice.\n\nYou can start by reading [Deep Learning: An MIT Press Book](https://www.deeplearningbook.org/) by Ian Goodfellow, Yoshua Bengio, and Aaron Courville. The Deep Learning textbook is an advanced resource intended to help students deepen their understanding. The book is accompanied by [a website](http://www.deeplearningbook.org/), which provides a variety of supplementary materials, including exercises, lecture slides, corrections of mistakes, and other resources to give you hands on practice with the concepts.\n\nYou can also explore Michael Nielsen's online book [Neural Networks and Deep Learning](http://neuralnetworksanddeeplearning.com/). This book provides a theoretical background on neural networks. It does not use TensorFlow, but is a great reference for students interested in learning more. \n[Deep Learning](https://www.deeplearningbook.org/) \nby Ian Goodfellow, Yoshua Bengio, and Aaron Courville \nThis Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general, and deep learning in particular. \nFree [View book](https://www.deeplearningbook.org/) \nMath \nTheory \nBuild \n[Neural Networks and Deep Learning](http://neuralnetworksanddeeplearning.com/) \nby Michael Nielsen \nThis book provides a theoretical background on neural networks. It does not use TensorFlow, but is a great reference for students interested in learning more. \nFree [View book](http://neuralnetworksanddeeplearning.com/) \nCode \nMath \nTheory \nBuild \n\nStep 3: Read and implement papers with TensorFlow\n-------------------------------------------------\n\nAt this point, we recommend reading papers and trying the [advanced tutorials](/tutorials) on our website, which contain implementations of a few well known publications. The best way to learn an advanced application, [machine translation](/tutorials/text/transformer), or [image captioning](/tutorials/text/image_captioning), is to read the paper linked from the tutorial. As you work through it, find the relevant sections of the code, and use them to help solidify your understanding. \n[Previous\nBasics of machine learning with TensorFlow](/resources/learn-ml/basics-of-machine-learning) [Next\nSpecialization: Basics of TensorFlow for Javascript development](/resources/learn-ml/basics-of-tensorflow-for-js-development) \n\nLearn, develop and build with TensorFlow\n----------------------------------------\n\n[Get started](/learn)"]]
