ML Community Day is November 9! Join us for updates from TensorFlow, JAX, and more Learn more

使用 TensorFlow 进行理论机器学习和高级机器学习

在开始学习下面的学习资料之前,请确保:

  1. 完成我们提供的使用 TensorFlow 进行机器学习的基础知识这门课程,或者掌握同等知识

  2. 具有软件开发经验,尤其是 Python 开发经验

本课程对于想要实现以下目标的人员来说是一个起点:

  1. 加强对机器学习的理解

  2. 开始理解论文中的观点并通过 TensorFlow 实现论文中的方法

You should already have background knowledge of how ML works or completed the learning materials in the beginner curriculum Basics of machine learning with TensorFlow 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.

To 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.

第 1 步:复习数学概念

机器学习是一门数学密集型学科。如果您打算修改机器学习模型或从头开始构建新模型,那么熟悉基础数学概念非常重要。您不必预先学习所有的数学知识,而是可以在遇到不熟悉的概念时查询相应信息。如果您已经有一段时间没接触过数学,可以尝试观看 3blue1brown 发布的线性代数的本质微积分的本质这两集视频,复习下相关知识。我们建议您通过学习大学课程或观看麻省理工学院的公开讲座(例如线性代数单变量微积分)来继续学习。

Essence of Linear Algebra
by 3Blue1Brown

3blue1brown 发布的一系列以独特视觉角度解说的短视频,其中讲解了如何从几何方面理解矩阵、行列式、本征函数/本征值等内容。

Essence of Calculus
by 3Blue1Brown

3blue1brown 发布的一系列以独特视觉角度解说的短视频,其中讲解了微积分的基础知识,旨在让您深入理解基本定理,而不只是了解方程的原理。

MIT 18.06: Linear Algebra

此入门课程由麻省理工学院发布,内容涵盖矩阵理论和线性代数。此课程重点介绍了在其他学科中很有用的概念,包括方程组、向量空间、行列式、特征值、相似度和正定矩阵。

MIT 18.01: Single Variable Calculus

本课程是麻省理工学院发布的微积分入门课程,其中介绍了一元函数的微分和积分及其应用。

第 2 步:通过这些课程和图书加深对深度学习的理解

没有哪一门单独的课程可以涵盖您需要了解的所有深度学习知识。同时学习多门课程可能更为有效。尽管学习资料会有重叠的内容,但是由多位讲师以不同方式讲解概念可能会对您有所帮助,尤其是对于复杂的内容来说。下面是我们推荐的几门课程,可以帮助您入门。您可以同时查看所有这些课程,也可以只选择与您最相关的课程。

请注意,您学习的理论知识越多,并不断通过实践强化概念,您在构建和评估自己的机器学习模型方面就越熟练。

学习这些课程:

MIT course 6.S191: Introduction to Deep Learning is an introductory course for Deep Learning with TensorFlow from MIT and also a wonderful resource.

Andrew Ng's Deep Learning Specialization at Coursera 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.

MIT 6.S191: Introduction to Deep Learning

通过学习麻省理工学院推出的这门课程,您将掌握深度学习算法的基础知识,并获得在 TensorFlow 中构建神经网络的实践经验。

Deep Learning Specialization

通过学习这 5 门课程,您将了解深度学习的基础知识,了解如何构建神经网络,以及如何成功完成机器学习项目并在 AI 领域成就一番事业。在学习过程中,您不仅可以掌握理论知识,还将了解这些理论在行业中的运用情况。

⬆ 另请 ⬇ 阅读这些图书:

为了完善您通过上述课程所学的知识,我们建议您阅读下面的书籍来深入学习。每本书均可在线获取,其中还提供了帮助您实践的补充资料。

您可以先阅读由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 共同编著的《深度学习》(麻省理工学院出版社出版)。这本《深度学习》教材是一门高级教材,旨在帮助学生加深对概念的理解。本书随附的网站提供了各种补充资料,包括练习、课件、错误修正以及其他资源,供您动手练习所学概念。

此外,您还可以浏览 Michael Nielsen 编著的在线图书神经网络与深度学习。本书提供了有关神经网络的理论背景。本书并未用到 TensorFlow,但对于有兴趣深入学习的学生来说具有重要的参考价值。

Deep Learning
by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

这本《深度学习》教材旨在帮助学生和从业者进入一般的机器学习领域,尤其是深度学习领域。

Neural Networks and Deep Learning
by Michael Nielsen

本书提供了有关神经网络的理论背景。本书并未用到 TensorFlow,但对于有兴趣深入学习的学生来说具有重要的参考价值。

第 3 步:阅读论文并通过 TensorFlow 实现论文中的方法

At this point, we recommend reading papers and trying the advanced tutorials on our website, which contain implementations of a few well known publications. The best way to learn an advanced application, machine translation, or 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.