Có kinh nghiệm phát triển phần mềm, đặc biệt là Python
Chương trình giảng dạy này là điểm khởi đầu cho những người muốn:
Nâng cao hiểu biết của họ về ML
Bắt đầu hiểu và triển khai các giấy tờ với TensorFlow
Bạn phải có kiến thức nền tảng về cách hoạt động của ML hoặc đã hoàn thành tài liệu học tập trong chương trình giảng dạy dành cho người mới bắt đầu Kiến thức cơ bản về học máy với TensorFlow trước khi tiếp tục. Nội dung dưới đây nhằm hướng dẫn người học tiếp cận nội dung học máy mang tính lý thuyết và nâng cao hơn. Bạn sẽ thấy rằng nhiều tài nguyên sử dụng TensorFlow, tuy nhiên, kiến thức có thể được chuyển sang các khung ML khác.
Để hiểu rõ hơn về ML, bạn nên có kinh nghiệm lập trình Python cũng như kiến thức nền tảng về phép tính, đại số tuyến tính, xác suất và thống kê. Để giúp bạn đào sâu kiến thức ML của mình, chúng tôi đã liệt kê một số tài nguyên và khóa học được đề xuất từ các trường đại học cũng như một số sách giáo khoa.
Bước 1: Làm mới hiểu biết của bạn về các khái niệm toán học
ML là một môn học nặng về toán học. Nếu bạn dự định sửa đổi các mô hình ML hoặc xây dựng các mô hình mới từ đầu, thì việc làm quen với các khái niệm toán học cơ bản là rất quan trọng. Bạn không cần phải học trước tất cả các phép toán mà thay vào đó, bạn có thể tra cứu các khái niệm mà bạn chưa quen khi gặp chúng. Nếu đã lâu rồi bạn chưa tham gia một khóa học toán, hãy thử xem danh sách phát Bản chất của đại số tuyến tính và Bản chất của phép tính từ 3blue1 brown để ôn lại kiến thức. Chúng tôi khuyên bạn nên tiếp tục bằng cách tham gia một lớp học từ một trường đại học hoặc xem các bài giảng truy cập mở từ MIT, chẳng hạn như Đại số tuyến tính hoặc Phép tính một biến .
Một loạt video ngắn, trực quan từ 3blue1 brown giải thích các nguyên tắc cơ bản của phép tính theo cách giúp bạn hiểu rõ về các định lý cơ bản chứ không chỉ cách hoạt động của các phương trình.
Khóa học giới thiệu này của MIT bao gồm lý thuyết ma trận và đại số tuyến tính. Nhấn mạnh vào các chủ đề sẽ hữu ích trong các ngành khác, bao gồm hệ phương trình, không gian vectơ, định thức, giá trị riêng, độ tương tự và ma trận xác định dương.
Bước 2: Nâng cao hiểu biết của bạn về deep learning với các khóa học và sách này
Không có khóa học nào có thể dạy bạn mọi thứ bạn cần biết về deep learning. Một cách tiếp cận có thể hữu ích là tham gia một vài khóa học cùng một lúc. Mặc dù sẽ có sự trùng lặp trong tài liệu nhưng việc có nhiều người hướng dẫn giải thích các khái niệm theo những cách khác nhau có thể hữu ích, đặc biệt đối với các chủ đề phức tạp. Dưới đây là một số khóa học chúng tôi đề xuất để giúp bạn bắt đầu. Bạn có thể cùng nhau khám phá từng mục hoặc chỉ chọn những mục mà bạn cảm thấy phù hợp nhất.
Hãy nhớ rằng, bạn càng học nhiều và củng cố các khái niệm này thông qua thực hành, bạn sẽ càng thành thạo trong việc xây dựng và đánh giá các mô hình ML của riêng mình.
Chuyên ngành Deep Learning của Andrew Ng tại Coursera cũng dạy các nền tảng của deep learning, bao gồm mạng tích chập, RNNS, LSTM, v.v. Chuyên môn này được thiết kế để giúp bạn áp dụng deep learning vào công việc của mình và xây dựng sự nghiệp trong lĩnh vực AI.
Trong khóa học này của MIT, bạn sẽ có được kiến thức nền tảng về các thuật toán học sâu và có được trải nghiệm thực tế trong việc xây dựng mạng lưới thần kinh trong TensorFlow.
Trong năm khóa học, bạn sẽ tìm hiểu các nền tảng của Deep Learning, hiểu cách xây dựng mạng lưới thần kinh và học cách lãnh đạo các dự án học máy thành công cũng như xây dựng sự nghiệp trong lĩnh vực AI. Bạn sẽ không chỉ nắm vững lý thuyết mà còn biết cách áp dụng nó trong công nghiệp.
Để bổ sung những gì bạn học được trong các khóa học được liệt kê ở trên, chúng tôi khuyên bạn nên tìm hiểu sâu hơn bằng cách đọc những cuốn sách bên dưới. Mỗi cuốn sách đều có sẵn trực tuyến và cung cấp các tài liệu bổ sung để giúp bạn thực hành.
Bạn có thể bắt đầu bằng cách đọc Deep Learning: An MIT Press Book của Ian Goodfellow, Yoshua Bengio và Aaron Courville. Sách giáo khoa Deep Learning là một nguồn tài liệu nâng cao nhằm giúp học sinh hiểu sâu hơn. Cuốn sách đi kèm với một trang web cung cấp nhiều tài liệu bổ sung, bao gồm bài tập, slide bài giảng, sửa lỗi và các tài nguyên khác để giúp bạn thực hành các khái niệm.
Bạn cũng có thể khám phá cuốn sách trực tuyến Mạng lưới thần kinh và học tập sâu của Michael Nielsen. Cuốn sách này cung cấp một nền tảng lý thuyết về mạng lưới thần kinh. Nó không sử dụng TensorFlow nhưng là tài liệu tham khảo tuyệt vời cho những sinh viên muốn tìm hiểu thêm.
của Ian Goodfellow, Yoshua Bengio và Aaron Courville
Cuốn sách giáo khoa Deep Learning này là một nguồn tài liệu nhằm giúp sinh viên và những người thực hành bước vào lĩnh vực machine learning nói chung và deep learning nói riêng.
Cuốn sách này cung cấp một nền tảng lý thuyết về mạng lưới thần kinh. Nó không sử dụng TensorFlow nhưng là tài liệu tham khảo tuyệt vời cho những sinh viên muốn tìm hiểu thêm.
Tại thời điểm này, chúng tôi khuyên bạn nên đọc các bài viết và thử các hướng dẫn nâng cao trên trang web của chúng tôi, trong đó có cách triển khai một số ấn phẩm nổi tiếng. Cách tốt nhất để tìm hiểu một ứng dụng nâng cao, dịch máy hoặc chú thích hình ảnh là đọc bài viết được liên kết từ hướng dẫn. Khi bạn làm việc với nó, hãy tìm các phần có liên quan của mã và sử dụng chúng để giúp củng cố sự hiểu biết của bạn.
Khái niệm cơ bản về học máy với TensorFlow
Kế tiếp
Chuyên môn: Khái niệm cơ bản về TensorFlow để phát triển 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)"]]
