Google 致力于为黑人社区推动种族平等。查看具体举措

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

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

Bücher
KI und maschinelles Lernen für Programmierer: Ein Leitfaden für Programmierer zur künstlichen Intelligenz von Laurence Moroney

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

Bücher
Deep Learning mit Python von Francois Chollet

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

Bücher
Praktisches maschinelles Lernen mit Scikit-Learn, Keras und TensorFlow, 2. Auflage, 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.

Bücher
Deep Learning: Ein MIT-Pressebuch 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.

Bücher
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.

Bücher
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.

Mehrteilige 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.

Online-Einführungskurse
deeplearning.ai: TensorFlow: Daten- und Bereitstellungsspezialisierung

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

Online-Einführungskurse
deeplearning.ai: Einführung in TensorFlow für KI, ML und Deep Learning

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

Online-Einführungskurse
Udacity: 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.

Kostenlos
Mehr erfahren  
Online-Einführungskurse
deeplearning.ai: TensorFlow in der Praxis Spezialisierung

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.

Online-Einführungskurse
deeplearning.ai: 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.

Online-Einführungskurse
Stanford-Kurs CS231n: Convolutional Neural Networks for Visual Recognition

Dieser Kurs bietet einen tiefen Einblick in die Details von Deep-Learning-Architekturen mit dem Schwerpunkt auf dem Erlernen von End-to-End-Modellen für Computer Vision-Aufgaben, insbesondere der Bildklassifizierung. Entdecken Sie Vorlesungsvideos, Folien und Notizen zu früheren Lehrplänen aus früheren Iterationen des Kurses.

Kostenlos
Mehr erfahren  
Online-Einführungskurse
MIT-Kurs 6.S191: Einführung in Deep Learning

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

Kostenlos
Mehr erfahren  

Andere Ressourcen

Für Mobil- und Webentwickler sowie Benutzer, die Produktionspipelines erstellen möchten, haben wir unsere bevorzugten Ressourcen zusammengestellt, um Ihnen den Einstieg zu erleichtern, einschließlich unserer TensorFlow-Bibliotheken und -Frameworks, die speziell auf Ihre Bedürfnisse zugeschnitten sind.

Online-Einführungskurse
Deep Learning in JS von Ashi Krishnan

Finden Sie mit deeplearn.js heraus, wie Deep-Learning-Systeme lernen und wie sie denken.

Kostenlos
Schau das Video  
Online-Einführungskurse
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.

Kostenlos
Schau das Video  
Online-Einführungskurse
TensorFlow.js: Intelligenz- und Lernserie von 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.

Kostenlos
Schau das Video  
Online-Einführungskurse
TensorFlow.js Deep Learning mit JavaScript von Deeplizard

Diese Serie stellt das Konzept der clientseitigen künstlichen neuronalen Netze vor. Erfahren Sie mehr über Client-Server-Deep-Learning-Architekturen, das Konvertieren von Keras-Modellen in TFJS-Modelle, das Bereitstellen von Modellen mit Node.js, das Training und Transfer-Learning im Browser und mehr.

Kostenlos
Schau das Video  
Online-Einführungskurse
TensorFlow Extended: Reales Machine Learning in der Produktion

Eine fünfteilige Serie des TensorFlow-Teams zur Verwendung von TensorFlow Extended (TFX) zum Erstellen eigener ML-Produktionspipelines.

Kostenlos
Schau das Video  
Online-Einführungskurse
Maschinelles Lernen auf Ihrem Gerät: Die Optionen (Google I/O'19)

In dieser Sitzung von Google I/O werden die verschiedenen verfügbaren Optionen für den Einsatz von maschinellem Lernen zur Verbesserung mobiler Apps und Edge-Geräte entmystifiziert. Erfahren Sie, wie TensorFlow Lite zum Trainieren von Modellen verwendet werden kann und wie Sie sie auf einer Vielzahl von Geräten verwenden.

Kostenlos
Schau das Video  

Mathematische Konzepte

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

Mathematische Konzepte
Crash-Kurs für Google Developers für maschinelles Lernen

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

Mathematische Konzepte
Coursera: 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.

Mathematische Konzepte
Deep Learning 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.

Kostenlos
Schau das Video  
Mathematische 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.

Kostenlos
Schau das Video  
Mathematische Konzepte
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.

Kostenlos
Schau das Video  
Mathematische Konzepte
MIT-Kurs18.06 : 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.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
MIT-Kurs 18.01: Einzelvariablenrechnung

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

Kostenlos
Mehr erfahren  
Mathematische Konzepte
Theorie des Sehens

Eine visuelle Einführung in Wahrscheinlichkeit und Statistik.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
Eine Einführung in das statistische Lernen mit Anwendungen in R von James, G., Witten, D., Hastie, T. und Tibshirani, R.

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.

Menschenzentrierte KI

Beim Entwerfen eines ML-Modells oder beim Erstellen KI-gesteuerter 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.

Menschenzentrierte KI
Verantwortungsvolle KI

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

Kostenlos
Mehr erfahren  
Menschenzentrierte KI
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 KI-gesteuerter Anwendungen auf die Menschen zu konzentrieren.

Kostenlos
Mehr erfahren  
Menschenzentrierte KI
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.

Kostenlos
Mehr erfahren