Özellikle Python'da yazılım geliştirme deneyimine sahip olmak
Bu müfredat aşağıdakileri yapmak isteyenler için bir başlangıç noktasıdır:
Makine öğrenimi anlayışlarını geliştirin
TensorFlow ile belgeleri anlamaya ve uygulamaya başlayın
Devam etmeden önce ML'nin nasıl çalıştığına dair arka plan bilgisine sahip olmanız veya başlangıç müfredatındaki öğrenme materyallerini tamamlamış olmanız gerekir. TensorFlow ile makine öğreniminin temelleri . Aşağıdaki içeriğin öğrencileri daha teorik ve gelişmiş makine öğrenimi içeriğine yönlendirmesi amaçlanmaktadır. Kaynakların çoğunun TensorFlow kullandığını göreceksiniz, ancak bilgi diğer makine öğrenimi çerçevelerine aktarılabilir.
Makine öğrenimi anlayışınızı ilerletmek için Python programlama deneyiminizin yanı sıra matematik, doğrusal cebir, olasılık ve istatistik konularında bir arka planınızın olması gerekir. Makine öğrenimi bilginizi derinleştirmenize yardımcı olmak için üniversitelerden önerilen bazı kaynak ve derslerin yanı sıra birkaç ders kitabını da listeledik.
1. Adım: Matematik kavramlarına ilişkin anlayışınızı tazeleyin
Makine öğrenimi matematik ağırlıklı bir disiplindir. ML modellerini değiştirmeyi veya sıfırdan yenilerini oluşturmayı planlıyorsanız, temeldeki matematik kavramlarına aşina olmak önemlidir. Tüm matematiği önceden öğrenmeniz gerekmez; bunun yerine, aşina olmadığınız kavramlarla karşılaştıkça arayabilirsiniz. Matematik dersi almayalı uzun zaman olduysa, bilgi tazelemek için 3blue1brown'un Essence of lineer cebiri ve Essence of matematiği oynatma listelerini izlemeyi deneyin. Bir üniversiteden ders alarak veya MIT'in Lineer Cebir veya Tek Değişkenli Matematik gibi açık erişim derslerini izleyerek devam etmenizi öneririz.
3blue1brown'dan, hesabın temellerini, yalnızca denklemlerin nasıl çalıştığını değil, temel teoremleri de güçlü bir şekilde anlamanızı sağlayacak şekilde açıklayan bir dizi kısa, görsel video.
MIT'nin bu giriş dersi matris teorisini ve doğrusal cebiri kapsar. Denklem sistemleri, vektör uzayları, determinantlar, özdeğerler, benzerlik ve pozitif tanımlı matrisler dahil olmak üzere diğer disiplinlerde faydalı olacak konulara vurgu yapılmaktadır.
Adım 2: Bu kurslar ve kitaplarla derin öğrenme anlayışınızı derinleştirin
Derin öğrenme hakkında bilmeniz gereken her şeyi size öğretecek tek bir kurs yoktur. Yardımcı olabilecek yaklaşımlardan biri aynı anda birkaç ders almaktır. Materyalde örtüşmeler olsa da, birden fazla eğitmenin kavramları farklı şekillerde açıklaması özellikle karmaşık konularda faydalı olabilir. Aşağıda başlamanıza yardımcı olması için önerdiğimiz birkaç kurs bulunmaktadır. Her birini birlikte keşfedebilir veya yalnızca size en uygun olanı seçebilirsiniz.
Unutmayın, ne kadar çok öğrenirseniz ve bu kavramları pratik yoluyla pekiştirirseniz, kendi makine öğrenimi modellerinizi oluşturma ve değerlendirme konusunda o kadar usta olursunuz.
Andrew Ng'nin Coursera'daki Derin Öğrenme Uzmanlığı aynı zamanda evrişimli ağlar, RNNS, LSTM'ler ve daha fazlasını içeren derin öğrenmenin temellerini de öğretiyor. Bu uzmanlık, işinizde derin öğrenmeyi uygulamanıza ve yapay zeka alanında bir kariyer oluşturmanıza yardımcı olmak için tasarlanmıştır.
MIT'den alınan bu kursta, derin öğrenme algoritmaları hakkında temel bilgiler edinecek ve TensorFlow'da sinir ağları oluşturma konusunda pratik deneyim kazanacaksınız.
Beş kursta Derin Öğrenmenin temellerini öğrenecek, sinir ağlarının nasıl oluşturulacağını anlayacak, başarılı makine öğrenimi projelerine nasıl liderlik edeceğinizi ve yapay zeka alanında kariyer yapmayı öğreneceksiniz. Sadece teoriye hakim olmakla kalmayacak, aynı zamanda endüstride nasıl uygulandığını da göreceksiniz.
Yukarıda listelenen derslerde öğrendiklerinizi tamamlamak için aşağıdaki kitapları okuyarak daha derinlere inmenizi öneririz. Her kitap çevrimiçi olarak mevcuttur ve pratik yapmanıza yardımcı olacak ek materyaller sunar.
Ian Goodfellow, Yoshua Bengio ve Aaron Courville'in yazdığı Deep Learning: An MIT Press Book'u okuyarak başlayabilirsiniz. Derin Öğrenme ders kitabı, öğrencilerin anlayışlarını derinleştirmelerine yardımcı olmayı amaçlayan gelişmiş bir kaynaktır. Kitabın yanında, alıştırmalar, ders slaytları, hataların düzeltilmesi ve kavramlarla uygulamalı pratik yapmanızı sağlayacak diğer kaynaklar da dahil olmak üzere çeşitli ek materyaller sağlayan bir web sitesi bulunmaktadır.
Ayrıca Michael Nielsen'in Neural Networks and Deep Learning adlı çevrimiçi kitabını da inceleyebilirsiniz. Bu kitap sinir ağları üzerine teorik bir arka plan sağlar. TensorFlow'u kullanmaz ancak daha fazlasını öğrenmek isteyen öğrenciler için harika bir referanstır.
Ian Goodfellow, Yoshua Bengio ve Aaron Courville tarafından
Bu Derin Öğrenme ders kitabı, öğrencilerin ve uygulayıcıların genel olarak makine öğrenimi ve özel olarak derin öğrenme alanına girmelerine yardımcı olmayı amaçlayan bir kaynaktır.
Bu kitap sinir ağları üzerine teorik bir arka plan sağlar. TensorFlow'u kullanmaz ancak daha fazlasını öğrenmek isteyen öğrenciler için harika bir referanstır.
3. Adım: TensorFlow ile belgeleri okuyun ve uygulayın
Bu noktada, web sitemizdeki birkaç iyi bilinen yayının uygulamalarını içeren makaleleri okumanızı ve ileri düzey eğitimleri denemenizi öneririz. Gelişmiş bir uygulamayı, makine çevirisini veya resim altyazısını öğrenmenin en iyi yolu, eğitimde bağlantısı verilen makaleyi okumaktır. Üzerinde çalışırken kodun ilgili bölümlerini bulun ve bunları anlayışınızı sağlamlaştırmaya yardımcı olması için kullanın.
TensorFlow ile makine öğreniminin temelleri
Sonraki
Uzmanlık: Javascript geliştirme için TensorFlow'un temelleri
[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)"]]
