การเรียนรู้ของเครื่องเชิงทฤษฎีและขั้นสูงด้วย TensorFlow

ก่อนเริ่มสื่อการเรียนรู้ด้านล่าง อย่าลืม:

  1. กรอกหลักสูตร พื้นฐานการเรียนรู้ของเครื่องด้วย TensorFlow หรือมีความรู้เทียบเท่า

  2. มีประสบการณ์การพัฒนาซอฟต์แวร์โดยเฉพาะใน Python

หลักสูตรนี้เป็นจุดเริ่มต้นสำหรับผู้ที่ต้องการ:

  1. ปรับปรุงความเข้าใจของ ML

  2. เริ่มทำความเข้าใจและดำเนินการเอกสารด้วย TensorFlow

คุณควรมีความรู้พื้นฐานเกี่ยวกับวิธีการทำงานของ ML หรือทำสื่อการเรียนรู้ในหลักสูตรเริ่มต้น พื้นฐานของการเรียนรู้ของเครื่องด้วย TensorFlow ก่อนดำเนินการต่อ เนื้อหาด้านล่างมีจุดมุ่งหมายเพื่อเป็นแนวทางให้ผู้เรียนได้รู้จักกับเนื้อหาเชิงทฤษฎีและขั้นสูงของแมชชีนเลิร์นนิง คุณจะเห็นว่าทรัพยากรจำนวนมากใช้ TensorFlow อย่างไรก็ตาม ความรู้สามารถถ่ายโอนไปยังเฟรมเวิร์ก ML อื่นๆ ได้

เพื่อให้เข้าใจ ML มากขึ้น คุณควรมีประสบการณ์การเขียนโปรแกรม Python เช่นเดียวกับพื้นฐานในแคลคูลัส พีชคณิตเชิงเส้น ความน่าจะเป็น และสถิติ เพื่อช่วยให้คุณมีความรู้ด้าน ML ลึกซึ้งยิ่งขึ้น เราได้แสดงรายการแหล่งข้อมูลและหลักสูตรที่แนะนำจำนวนหนึ่งจากมหาวิทยาลัย ตลอดจนหนังสือเรียนสองสามเล่ม

ขั้นตอนที่ 1: รีเฟรชความเข้าใจของคุณเกี่ยวกับแนวคิดทางคณิตศาสตร์

ML เป็นวิชาคณิตศาสตร์ที่หนักหน่วง หากคุณวางแผนที่จะปรับเปลี่ยนโมเดล ML หรือสร้างโมเดลใหม่ตั้งแต่ต้น ความคุ้นเคยกับแนวคิดทางคณิตศาสตร์พื้นฐานเป็นสิ่งสำคัญ คุณไม่จำเป็นต้องเรียนรู้คณิตศาสตร์ล่วงหน้าทั้งหมด แต่คุณสามารถค้นหาแนวคิดที่ไม่คุ้นเคยได้เมื่อเจอ หากคุณไม่ได้เรียนวิชาคณิตศาสตร์มาระยะหนึ่งแล้ว ให้ลองดู Essence of linear algebra และ Essence of calculus playlists จาก 3blue1brown เพื่อทบทวน เราขอแนะนำให้คุณเรียนต่อในชั้นเรียนจากมหาวิทยาลัย หรือดูการบรรยายแบบเปิดกว้างจาก MIT เช่น Linear Algebra หรือ Single Variable Calculus

สาระสำคัญของพีชคณิตเชิงเส้น
โดย 3Blue1Brown

ชุดวิดีโอสั้นๆ จาก 3blue1brown ที่อธิบายความเข้าใจทางเรขาคณิตของเมทริกซ์ ดีเทอร์มิแนนต์ ส่วนประกอบไอเกน และอื่นๆ

แก่นแท้ของแคลคูลัส
โดย 3Blue1Brown

ชุดวิดีโอสั้นๆ จาก 3blue1brown ที่อธิบายพื้นฐานของแคลคูลัสในลักษณะที่ทำให้คุณเข้าใจทฤษฎีบทพื้นฐานอย่างลึกซึ้ง ไม่ใช่แค่เพียงวิธีการทำงานของสมการ

MIT 18.06: พีชคณิตเชิงเส้น

หลักสูตรเบื้องต้นจาก MIT ครอบคลุมทฤษฎีเมทริกซ์และพีชคณิตเชิงเส้น เน้นหัวข้อที่จะเป็นประโยชน์ในสาขาวิชาอื่น ๆ รวมทั้งระบบของสมการ ปริภูมิเวกเตอร์ ดีเทอร์มิแนนต์ ค่าลักษณะเฉพาะ ความคล้ายคลึงกัน และเมทริกซ์แน่นอนบวก

MIT 18.01: แคลคูลัสตัวแปรเดียว

หลักสูตรแคลคูลัสเบื้องต้นจาก MIT ครอบคลุมการสร้างความแตกต่างและการรวมฟังก์ชันของตัวแปรตัวเดียวเข้ากับการใช้งาน

ขั้นตอนที่ 2: ทำความเข้าใจเกี่ยวกับการเรียนรู้อย่างลึกซึ้งด้วยหลักสูตรและหนังสือเหล่านี้

ไม่มีหลักสูตรเดียวที่จะสอนทุกสิ่งที่คุณจำเป็นต้องรู้เกี่ยวกับการเรียนรู้เชิงลึก แนวทางหนึ่งที่อาจเป็นประโยชน์คือการเรียนสองสามหลักสูตรพร้อมกัน แม้ว่าเนื้อหาจะมีความทับซ้อนกัน แต่การมีผู้สอนหลายคนอธิบายแนวคิดในรูปแบบต่างๆ อาจเป็นประโยชน์ โดยเฉพาะในหัวข้อที่ซับซ้อน ด้านล่างนี้คือหลักสูตรต่างๆ ที่เราแนะนำเพื่อช่วยคุณในการเริ่มต้น คุณสามารถสำรวจแต่ละอันด้วยกันหรือเลือกอันที่รู้สึกว่าเกี่ยวข้องกับคุณมากที่สุด

โปรดจำไว้ว่า ยิ่งคุณเรียนรู้และเสริมสร้างแนวคิดเหล่านี้ผ่านการฝึกฝนมากเท่าไร คุณก็จะยิ่งเชี่ยวชาญในการสร้างและประเมินแบบจำลอง ML ของคุณเองมากขึ้นเท่านั้น

ใช้หลักสูตรเหล่านี้:

หลักสูตร MIT 6.S191: Introduction to Deep Learning เป็นหลักสูตรเบื้องต้นสำหรับ Deep Learning ด้วย TensorFlow จาก MIT และเป็นแหล่งข้อมูลที่ยอดเยี่ยมอีกด้วย

ความเชี่ยวชาญเฉพาะด้าน Deep Learning ของ Andrew Ng ที่ Coursera ยังสอนพื้นฐานของการเรียนรู้เชิงลึก รวมถึงเครือข่าย Convolutional, RNNS, LSTM และอื่นๆ ความเชี่ยวชาญพิเศษนี้ออกแบบมาเพื่อช่วยให้คุณใช้การเรียนรู้เชิงลึกในงานของคุณ และสร้างอาชีพใน AI

MIT 6.S191: การเรียนรู้เชิงลึกเบื้องต้น

ในหลักสูตรนี้จาก MIT คุณจะได้รับความรู้พื้นฐานเกี่ยวกับอัลกอริธึมการเรียนรู้เชิงลึกและรับประสบการณ์จริงในการสร้างเครือข่ายประสาทใน TensorFlow

ความเชี่ยวชาญด้านการเรียนรู้เชิงลึก

ในห้าหลักสูตร คุณจะได้เรียนรู้พื้นฐานของ Deep Learning เข้าใจวิธีสร้างโครงข่ายประสาทเทียม และเรียนรู้วิธีนำโครงการการเรียนรู้ของเครื่องที่ประสบความสำเร็จและสร้างอาชีพใน AI คุณจะเชี่ยวชาญไม่เพียงแค่ทฤษฎีเท่านั้น แต่ยังดูว่ามันถูกนำไปใช้ในอุตสาหกรรมอย่างไร

⬆ และ ⬇ อ่านหนังสือเหล่านี้:

เพื่อเสริมสิ่งที่คุณเรียนรู้ในหลักสูตรข้างต้น เราขอแนะนำให้คุณดำน้ำลึกโดยการอ่านหนังสือด้านล่าง หนังสือแต่ละเล่มสามารถอ่านได้ทางออนไลน์และมีเอกสารประกอบเพื่อช่วยให้คุณฝึกฝน

คุณสามารถเริ่มต้นด้วยการอ่าน Deep Learning: An MIT Press Book โดย Ian Goodfellow, Yoshua Bengio และ Aaron Courville หนังสือเรียน Deep Learning เป็นแหล่งข้อมูลขั้นสูงที่มีจุดมุ่งหมายเพื่อช่วยให้นักเรียนเข้าใจอย่างลึกซึ้งยิ่งขึ้น หนังสือเล่มนี้มาพร้อมกับ เว็บไซต์ ซึ่งมีสื่อประกอบที่หลากหลาย รวมถึงแบบฝึกหัด สไลด์บรรยาย การแก้ไขข้อผิดพลาด และแหล่งข้อมูลอื่นๆ เพื่อให้คุณได้ฝึกฝนตามแนวคิด

คุณยังสามารถสำรวจหนังสือออนไลน์ของ Michael Nielsen Neural Networks and Deep Learning ได้อีกด้วย หนังสือเล่มนี้ให้พื้นฐานทางทฤษฎีเกี่ยวกับโครงข่ายประสาทเทียม ไม่ได้ใช้ TensorFlow แต่เป็นข้อมูลอ้างอิงที่ดีสำหรับนักเรียนที่สนใจเรียนรู้เพิ่มเติม

การเรียนรู้อย่างลึกซึ้ง
โดย Ian Goodfellow, Yoshua Bengio และ Aaron Courville

หนังสือเรียน Deep Learning เล่มนี้เป็นแหล่งข้อมูลที่มีจุดมุ่งหมายเพื่อช่วยให้นักเรียนและผู้ปฏิบัติงานเข้าสู่สาขาการเรียนรู้ของเครื่องโดยทั่วไป และโดยเฉพาะอย่างยิ่งการเรียนรู้เชิงลึก

โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก
โดย Michael Nielsen

หนังสือเล่มนี้ให้พื้นฐานทางทฤษฎีเกี่ยวกับโครงข่ายประสาทเทียม ไม่ได้ใช้ TensorFlow แต่เป็นข้อมูลอ้างอิงที่ดีสำหรับนักเรียนที่สนใจเรียนรู้เพิ่มเติม

ขั้นตอนที่ 3: อ่านและใช้เอกสารด้วย TensorFlow

ณ จุดนี้ เราแนะนำให้อ่านเอกสารและลองใช้บทช่วย สอนขั้นสูง บนเว็บไซต์ของเรา ซึ่งมีการนำสิ่งพิมพ์ที่รู้จักกันดีสองสามฉบับไปใช้งาน วิธีที่ดีที่สุดในการเรียนรู้แอปพลิเคชันขั้นสูง การ แปลด้วยคอมพิวเตอร์ หรือการ บรรยายภาพ คือการอ่านบทความที่ลิงก์จากบทช่วยสอน ในขณะที่คุณดำเนินการแก้ไข ให้ค้นหาส่วนที่เกี่ยวข้องของรหัส และใช้ส่วนเหล่านี้เพื่อช่วยเสริมความเข้าใจของคุณ