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

Meistere deinen Weg

Um ein Experte für maschinelles Lernen zu werden, müssen Sie zunächst ein starkes Fundament in vier Lernbereichen : Codierung, Mathematik, ML - Theorie, und wie Sie Ihr eigenes ML Projekt von Anfang bis Ende zu bauen.

Beginnen Sie mit TensorFlow der kuratierten curriculums diese vier Fähigkeiten zu verbessern, oder wählen Sie Ihren eigenen Lernpfad durch unsere Erkundung Ressourcen - Bibliothek unten.

Die vier Bereiche der maschinellen Lernausbildung

Wenn Sie Ihren Bildungsweg beginnen, ist es wichtig, zuerst zu verstehen, wie man ML lernt. Wir haben den Lernprozess in vier Wissensbereiche unterteilt, wobei jeder Bereich ein grundlegendes Teil des ML-Puzzles darstellt. Um Sie auf Ihrem Weg zu unterstützen, haben wir Bücher, Videos und Online-Kurse identifiziert, die Ihre Fähigkeiten verbessern und Sie darauf vorbereiten, ML für Ihre Projekte einzusetzen. Beginnen Sie mit unseren geführten Lehrplänen, die Ihr Wissen erweitern, oder wählen Sie Ihren eigenen Weg, indem Sie unsere Ressourcenbibliothek erkunden.

  • Programmierkenntnisse: Gebäude ML - Modelle geht es um viel mehr als nur das Wissen ML Konzepte-es erfordert , um die Codierung der Datenverwaltung, Parameter - Tuning zu tun, und die Ergebnisse benötigt , um Test - Parsing und optimieren Sie Ihr Modell.

  • Mathematik und Statistik: ML ein Mathe schwere Disziplin, also , wenn Sie planen , ML - Modelle zu ändern oder von Grund auf neu, Vertrautheit mit den zugrunde liegenden mathematische Konzepte zu bauen ist von entscheidender Bedeutung für den Prozess.

  • ML - Theorie: die Grundlagen der ML - Theorie weiß , werden Sie ein Fundament aufbauen, und helfen Sie beheben , wenn etwas schief geht.

  • Erstellen Sie Ihre eigenen Projekte: Erste praktische Erfahrung mit ML der beste Weg ist , Ihr Wissen auf die Probe zu stellen, also nicht in früh mit einem einfach zu tauchen Angst, colab oder Tutorial etwas Übung zu bekommen.

TensorFlow-Lehrpläne

Beginnen Sie mit dem Lernen mit einem unserer geführten Lehrpläne mit empfohlenen Kursen, Büchern und Videos.

Für Anfänger
Grundlagen des maschinellen Lernens mit TensorFlow

Lernen Sie die Grundlagen von ML mit dieser Sammlung von Büchern und Online-Kursen. Sie werden mit scikit-learn in ML eingeführt, durch Deep Learning mit TensorFlow 2.0 geführt und haben dann die Möglichkeit, das Gelernte mit Anfänger-Tutorials zu üben.

Für Mittelstufe & Experten
Theoretisches und erweitertes maschinelles Lernen mit TensorFlow

Sobald Sie die Grundlagen des maschinellen Lernens verstanden haben, bringen Sie Ihre Fähigkeiten auf die nächste Stufe, indem Sie in das theoretische Verständnis von neuronalen Netzen, Deep Learning eintauchen und Ihr Wissen über die zugrunde liegenden mathematischen Konzepte verbessern.

Für Anfänger
Spezialisierung: Grundlagen von TensorFlow für die JavaScript-Entwicklung

Lernen Sie die Grundlagen der Entwicklung von Modellen für maschinelles Lernen in JavaScript und die direkte Bereitstellung im Browser. Sie erhalten eine High-Level-Einführung in Deep Learning und den Einstieg in TensorFlow.js durch praktische Übungen.

Bildungsressourcen

Wählen Sie Ihren eigenen Lernpfad und erkunden Sie Bücher, Kurse, Videos und Übungen, die vom TensorFlow-Team empfohlen werden, um Ihnen die Grundlagen von ML beizubringen.

Bücher  
Online Kurse  
Mathematische Konzepte  
TF-Ressourcen  
Menschenzentrierte KI  

Bücher

Lesen ist eine der besten Möglichkeiten, die Grundlagen von ML und Deep Learning zu verstehen. Bücher können Ihnen das theoretische Verständnis vermitteln, das Sie benötigen, um neue Konzepte in Zukunft schneller zu erlernen.

KI und maschinelles Lernen für Programmierer
von Laurence Moroney

Dieses Einführungsbuch bietet einen Code-First-Ansatz, um zu lernen, wie die gängigsten ML-Szenarien implementiert werden, z. B. Computer Vision, Natural Language Processing (NLP) und Sequenzmodellierung für Web-, Mobil-, Cloud- und eingebettete Laufzeiten.

Deep Learning mit Python
von Francois Chollet

Dieses Buch ist eine praktische Einführung in Deep Learning mit Keras.

Praktisches maschinelles Lernen mit Scikit-Learn, Keras und TensorFlow
von Aurélien Géron

Anhand konkreter Beispiele, minimaler Theorie und zweier produktionsbereiter Python-Frameworks – Scikit-Learn und TensorFlow – hilft Ihnen dieses Buch, ein intuitives Verständnis der Konzepte und Werkzeuge zum Aufbau intelligenter Systeme zu erlangen.

Tiefes Lernen
von Ian Goodfellow, Yoshua Bengio und Aaron Courville

Dieses Lehrbuch zu Deep Learning ist eine Ressource, die Studenten und Praktikern dabei helfen soll, in das Gebiet des maschinellen Lernens im Allgemeinen und des Deep Learning im Besonderen einzusteigen.

Neuronale Netze und Deep Learning
von Michael Nielsen

Dieses Buch bietet einen theoretischen Hintergrund zu neuronalen Netzen. Es verwendet kein TensorFlow, ist aber eine großartige Referenz für Schüler, die mehr erfahren möchten.

TensorFlow.js lernen
von Gant Laborde

Ein praktischer End-to-End-Ansatz für die Grundlagen von TensorFlow.js für ein breites technisches Publikum. Wenn Sie dieses Buch beendet haben, wissen Sie, wie Sie mit TensorFlow.js produktionsreife Deep-Learning-Systeme erstellen und bereitstellen.

Deep Learning mit JavaScript
von Shanqing Cai, Stanley Bileschi, Eric D. Nielsen mit Francois Chollet

Dieses Buch wurde von den Hauptautoren der TensorFlow-Bibliothek geschrieben und bietet faszinierende Anwendungsfälle und detaillierte Anweisungen für Deep-Learning-Apps in JavaScript in Ihrem Browser oder auf Node.

Online Kurse

Die Teilnahme an einem mehrteiligen Online-Kurs ist eine gute Möglichkeit, die grundlegenden Konzepte von ML zu erlernen. Viele Kurse bieten großartige visuelle Erklärungen und die erforderlichen Tools, um maschinelles Lernen direkt am Arbeitsplatz oder bei Ihren persönlichen Projekten anzuwenden.

Einführung in TensorFlow für KI, ML und Deep Learning

Dieser in Zusammenarbeit mit dem TensorFlow-Team entwickelte Kurs ist Teil der TensorFlow-Entwicklerspezialisierung und vermittelt Ihnen Best Practices für die Verwendung von TensorFlow.

Einführung in TensorFlow für Deep Learning

In diesem vom TensorFlow-Team und Udacity entwickelten Online-Kurs erfahren Sie, wie Sie mit TensorFlow Deep-Learning-Anwendungen erstellen.

TensorFlow-Entwicklerspezialisierung

In dieser vierstufigen Spezialisierung, die von einem TensorFlow-Entwickler unterrichtet wird, lernen Sie die Tools und Softwareentwickler kennen, die zum Erstellen skalierbarer KI-basierter Algorithmen in TensorFlow verwendet werden.

Crashkurs für maschinelles Lernen

Der Crash-Kurs für maschinelles Lernen mit TensorFlow-APIs ist ein Leitfaden zum Selbststudium für angehende Praktiker des maschinellen Lernens. Es bietet eine Reihe von Lektionen mit Videovorträgen, Fallstudien aus der Praxis und praktischen Übungen.

MIT 6.S191: Einführung in Deep Learning

In diesem Kurs vom MIT erwerben Sie grundlegende Kenntnisse über Deep-Learning-Algorithmen und sammeln praktische Erfahrungen beim Aufbau neuronaler Netze in TensorFlow.

Deep Learning-Spezialisierung

In fünf Kursen lernen Sie die Grundlagen von Deep Learning, verstehen, wie man neuronale Netze aufbaut, und lernen, erfolgreiche Machine-Learning-Projekte zu leiten und eine Karriere in der KI aufzubauen. Sie beherrschen nicht nur die Theorie, sondern sehen auch, wie sie in der Industrie angewendet wird.

TensorFlow: Daten- und Bereitstellungsspezialisierung

Sie haben gelernt, wie man Modelle baut und trainiert. Lernen Sie jetzt in dieser Spezialisierung mit vier Kursen, durch verschiedene Bereitstellungsszenarien zu navigieren und Daten effektiver zu nutzen, um Ihr Modell zu trainieren.

TensorFlow: Spezialisierung auf fortgeschrittene Techniken

Diese Spezialisierung richtet sich an Software- und ML-Ingenieure mit einem grundlegenden Verständnis von TensorFlow, die ihr Wissen und ihre Fähigkeiten erweitern möchten, indem sie erweiterte TensorFlow-Funktionen erlernen, um leistungsstarke Modelle zu erstellen.

Mathematische Konzepte

Um Ihr ML-Wissen zu vertiefen, können Ihnen diese Ressourcen dabei helfen, die zugrunde liegenden mathematischen Konzepte zu verstehen, die für den Aufstieg auf höherem Niveau erforderlich sind.

Eine freundliche Einführung in die lineare Algebra für ML

Eine Vogelperspektive der linearen Algebra für maschinelles Lernen. Sie haben noch nie mit Linearer Algebra gearbeitet oder kennen sich ein wenig mit den Grundlagen aus und möchten ein Gefühl dafür bekommen, wie sie in ML verwendet wird? Dann ist dieses Video für Sie.

Spezialisierung Mathematik für maschinelles Lernen

Diese Online-Spezialisierung von Coursera zielt darauf ab, die Lücke zwischen Mathematik und maschinellem Lernen zu schließen, Sie in der zugrunde liegenden Mathematik auf den neuesten Stand zu bringen, um ein intuitives Verständnis zu entwickeln und es mit Machine Learning und Data Science in Verbindung zu bringen.

Tiefes Lernen
von 3Blue1Brown

3blue1brown konzentriert sich darauf, Mathematik mit einem visuellen Ansatz zu präsentieren. In dieser Videoserie lernen Sie die Grundlagen eines neuronalen Netzes und seine Funktionsweise anhand mathematischer Konzepte.

Essenz der Linearen Algebra
von 3Blue1Brown

Eine Reihe kurzer, visueller Videos von 3blue1brown, die das geometrische Verständnis von Matrizen, Determinanten, Eigenmaterialien und mehr erklären.

Essenz des Kalküls
von 3Blue1Brown

Eine Reihe kurzer, visueller Videos von 3blue1brown, die die Grundlagen der Infinitesimalrechnung auf eine Weise erklären, die Ihnen ein solides Verständnis der fundamentalen Theoreme und nicht nur der Funktionsweise der Gleichungen vermittelt.

MIT 18.06: Lineare Algebra

Dieser Einführungskurs des MIT behandelt die Matrixtheorie und die lineare Algebra. Der Schwerpunkt liegt auf Themen, die in anderen Disziplinen nützlich sein werden, einschließlich Gleichungssystemen, Vektorräumen, Determinanten, Eigenwerten, Ähnlichkeit und positiv definiten Matrizen.

MIT 18.01: Einzelvariablenrechnung

Dieser Einführungskurs in die Analysis des MIT behandelt die Differenzierung und Integration von Funktionen einer Variablen mit Anwendungen.

Theorie des Sehens
von Daniel Kunin, Jingru Guo, Tyler Dae Devlin, Daniel Xiang

Eine visuelle Einführung in Wahrscheinlichkeit und Statistik.

Eine Einführung in das statistische Lernen
von Gareth James, Daniela Witten, Trevor Hastie und Rob Tibshirani

Dieses Buch bietet einen leicht zugänglichen Überblick über das Gebiet des statistischen Lernens, ein wesentliches Toolset, um die riesige und komplexe Welt der Datensätze zu verstehen, die zum Trainieren von Modellen im maschinellen Lernen erforderlich sind.

TensorFlow-Ressourcen

Wir haben unsere Lieblingsressourcen zusammengestellt, um Ihnen den Einstieg in die TensorFlow-Bibliotheken und -Frameworks zu erleichtern, die auf Ihre Bedürfnisse zugeschnitten sind. Wechseln zu unseren Sektionen für TensorFlow.js , TensorFlow Lite und TensorFlow Erweiterte .


Sie können auch die offizielle TensorFlow durchsuchen Führung und Anleitungen für die neuesten Beispiele und colabs.

Grundlagen des maschinellen Lernens

Machine Learning Foundations ist ein kostenloser Schulungskurs, in dem Sie die Grundlagen zum Erstellen von maschinell gelernten Modellen mit TensorFlow erlernen.

TensorFlow von Grund auf

Dieser ML Tech Talk ist für diejenigen gedacht, die die Grundlagen des maschinellen Lernens kennen, aber einen Überblick über die Grundlagen von TensorFlow (Tensoren, Variablen und Gradienten ohne Verwendung von High-Level-APIs) benötigen.

Einführung in Deep Learning

Dieser ML Tech Talk umfasst Repräsentationslernen, Familien neuronaler Netze und deren Anwendungen, einen ersten Blick in ein tiefes neuronales Netz und viele Codebeispiele und Konzepte von TensorFlow.

Codierung von TensorFlow

In dieser Serie betrachtet das TensorFlow-Team verschiedene Teile von TensorFlow aus der Codierungsperspektive mit Videos zur Verwendung der High-Level-APIs von TensorFlow, Verarbeitung natürlicher Sprache, neuronalem strukturiertem Lernen und mehr.

Mit maschinellem Lernen alltägliche Probleme erkennen und lösen

Erfahren Sie, wie Sie die gängigsten ML-Anwendungsfälle erkennen, einschließlich der Analyse von Multimedia, der Erstellung intelligenter Suche, der Umwandlung von Daten und wie Sie diese mit benutzerfreundlichen Tools schnell in Ihre App integrieren können.

Für Javascript

Entdecken Sie die neuesten Ressourcen bei TensorFlow.js .

TensorFlow.js lernen
von Gant Laborde

Ein praktischer End-to-End-Ansatz für die Grundlagen von TensorFlow.js für ein breites technisches Publikum. Wenn Sie dieses Buch beendet haben, wissen Sie, wie Sie mit TensorFlow.js produktionsreife Deep-Learning-Systeme erstellen und bereitstellen.

Erste Schritte mit TensorFlow.js von TensorFlow

Eine dreiteilige Serie, die sowohl das Training als auch die Ausführung von maschinell gelernten Modellen mit TensorFlow.js untersucht und Ihnen zeigt, wie Sie ein Modell für maschinelles Lernen in JavaScript erstellen, das direkt im Browser ausgeführt wird.

TensorFlow.js: Intelligenz- und Lernserie
von The Coding Train

Als Teil einer größeren Serie über maschinelles Lernen und den Aufbau neuronaler Netze konzentriert sich diese Video-Playlist auf TensorFlow.js, die Kern-API, und die Verwendung der JavaScript-Bibliothek zum Trainieren und Bereitstellen von ML-Modellen.

Für Mobile & IoT

Entdecken Sie die neuesten Ressourcen bei TensorFlow Lite .

Maschinelles Lernen auf dem Gerät

Erfahren Sie, wie Sie Ihre erste geräteinterne ML-App mithilfe von Lernpfaden erstellen, die Schritt-für-Schritt-Anleitungen für gängige Anwendungsfälle bereitstellen, einschließlich Audioklassifizierung, visueller Produktsuche und mehr.

Einführung in TensorFlow Lite

Erfahren Sie in diesem Kurs, der vom TensorFlow-Team und Udacity als praktischer Ansatz für die Modellbereitstellung für Softwareentwickler entwickelt wurde, wie Sie Deep-Learning-Modelle auf mobilen und eingebetteten Geräten mit TensorFlow Lite bereitstellen.

Für die Produktion

Entdecken Sie die neuesten Ressourcen an TFX .

ML-Engineering für ML-Produktionsbereitstellungen mit TFX

Sehen Sie sich an, wie Sie mit TFX ein Produktions-Pipeline-System zusammenstellen. Wir decken schnell alles ab, von der Datenerfassung über die Modellerstellung bis hin zur Bereitstellung und Verwaltung.

Pipelines für maschinelles Lernen aufbauen
von Hannes Hapke, Catherine Nelson

Dieses Buch führt Sie durch die Schritte zur Automatisierung einer ML-Pipeline mit dem TensorFlow-Ökosystem. Die Machine Learning-Beispiele in diesem Buch basieren auf TensorFlow und Keras, aber die Kernkonzepte können auf jedes Framework angewendet werden.

Machine Learning Engineering for Production (MLOps) Spezialisierung

Erweitern Sie Ihre produktionstechnischen Fähigkeiten in dieser vierstufigen Spezialisierung. Erfahren Sie, wie Sie integrierte Systeme konzipieren, erstellen und warten, die kontinuierlich in der Produktion arbeiten.

ML-Pipelines in Google Cloud

Dieser Fortgeschrittenenkurs behandelt TFX-Komponenten, Pipeline-Orchestrierung und -Automatisierung sowie die Verwaltung von ML-Metadaten mit Google Cloud.

Menschenzentrierte KI

Beim Entwerfen eines ML-Modells oder beim Erstellen von KI-gesteuerten Anwendungen ist es wichtig, die Personen zu berücksichtigen, die mit dem Produkt interagieren, und den besten Weg, Fairness, Interpretierbarkeit, Datenschutz und Sicherheit in diese KI-Systeme zu integrieren.

Verantwortungsvolle KI-Praktiken

Erfahren Sie, wie Sie mit TensorFlow verantwortungsvolle KI-Praktiken in Ihren ML-Workflow integrieren.

Menschen + KI-Ratgeber

Dieser Leitfaden von Google hilft Ihnen bei der Entwicklung von menschzentrierten KI-Produkten. Es ermöglicht Ihnen, häufige Fehler zu vermeiden, hervorragende Erfahrungen zu gestalten und sich bei der Entwicklung von KI-gesteuerten Anwendungen auf die Menschen zu konzentrieren.

Einführung in das Modul Fairness im Machine Learning

Dieses einstündige Modul im MLCC von Google führt die Lernenden in verschiedene Arten menschlicher Vorurteile ein, die sich in Trainingsdaten manifestieren können, sowie in Strategien zur Identifizierung und Bewertung ihrer Auswirkungen.