Save the date! Google I/O returns May 18-20 Register now
Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Grundlagen des maschinellen Lernens mit TensorFlow

Bevor Sie mit den folgenden Lernmaterialien beginnen, stellen Sie bitte Folgendes sicher:

  • Erfahrung in der Softwareentwicklung, insbesondere in Python

Dieser Lehrplan richtet sich an Personen, die:

  • Neu bei ML, aber mit Informatik- oder Entwicklungshintergrund

Dieser Inhalt soll Entwickler, die neu in ML sind, durch die Anfangsphasen ihrer ML-Reise führen. Sie werden sehen, dass viele der Ressourcen TensorFlow verwenden. Das Wissen ist jedoch auf andere Frameworks für maschinelles Lernen übertragbar.

Schritt 1: Verstehen Sie, worum es bei ML geht

TensorFlow 2.0 wurde entwickelt, um den Aufbau neuronaler Netze für maschinelles Lernen zu vereinfachen. Aus diesem Grund verwendet TensorFlow 2.0 eine API namens Keras. Das Buch ' Deep Learning in Python ' von Francois Chollet, dem Erfinder von Keras, ist ein großartiger Ort, um loszulegen. Lesen Sie die Kapitel 1 bis 4, um die Grundlagen von ML aus Sicht eines Programmierers zu verstehen. Die zweite Hälfte des Buches befasst sich mit Bereichen wie Computer Vision, Verarbeitung natürlicher Sprache, generatives Deep Learning und mehr. Machen Sie sich keine Sorgen, wenn diese Themen derzeit zu weit fortgeschritten sind, da sie zu gegebener Zeit sinnvoller werden.

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, Verarbeitung natürlicher Sprache (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.

⬆ Oder ⬇

Nehmen Sie an einem Online-Kurs wie Courseras Einführung in TensorFlow oder Udacitys Einführung in TensorFlow für Deep Learning teil , die beide die gleichen Grundlagen wie Francois 'Buch behandeln. Möglicherweise finden Sie auch diese Videos von 3blue1brown hilfreich, die Ihnen schnelle Erklärungen zur Funktionsweise neuronaler Netze auf mathematischer Ebene geben.

Wenn Sie diesen Schritt ausführen, erhalten Sie die Grundlagen für die Funktionsweise von ML und können sich darauf vorbereiten, tiefer zu gehen.

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

Dieser Kurs wurde in Zusammenarbeit mit dem TensorFlow-Team entwickelt und ist Teil der TensorFlow-Spezialisierung in der Praxis. Er vermittelt Ihnen Best Practices für die Verwendung von TensorFlow.

Online-Einführungskurse
Udacity: Einführung in TensorFlow für Deep Learning

In diesem Online-Kurs, der vom TensorFlow-Team und Udacity entwickelt wurde, lernen Sie, wie Sie mit TensorFlow Deep-Learning-Anwendungen erstellen.

Kostenlos
Mehr erfahren  

Schritt 2: Über die Grundlagen hinaus

Nehmen Sie an der TensorFlow in Practice-Spezialisierung teil , die Sie über die Grundlagen hinaus in die Einführung in Computer Vision, NLP und Sequenzmodellierung führt.

Wenn Sie diesen Schritt ausführen, wird Ihre Einführung fortgesetzt und Sie lernen, wie Sie mit TensorFlow grundlegende Modelle für eine Vielzahl von Szenarien erstellen, einschließlich Bildklassifizierung, Verständnis der Stimmung in Text, generative Algorithmen und mehr.

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

In diesem Kurs lernen Sie die Tools kennen, mit denen Entwickler skalierbare, AI-gestützte Algorithmen in TensorFlow erstellen.

Schritt 3: Üben

Probieren Sie einige unserer TensorFlow Core-Tutorials aus , mit denen Sie die in den Schritten 1 und 2 erlernten Konzepte üben können. Wenn Sie fertig sind, probieren Sie einige der fortgeschritteneren Übungen auf der linken Seite aus.

Wenn Sie diesen Schritt ausführen, können Sie die wichtigsten Konzepte und Szenarien besser verstehen, die beim Erstellen von ML-Modellen auftreten.

Schritt 4: Gehen Sie mit TensorFlow tiefer

Jetzt ist es Zeit, zu 'Deep Learning in Python' von Francois zurückzukehren und die Kapitel 5-9 zu beenden. Jedes Beispiel in diesem Buch funktioniert in TensorFlow 2.0, indem nur ein Import geändert wird. Sie sollten auch das Buch Praktisches maschinelles Lernen mit Scikit-Learn, Keras und TensorFlow von Aurelien Geron lesen. In diesem Buch wird ML mit Scikit-Learn und Deep Learning mit TensorFlow 2.0 vorgestellt.

Wenn Sie diesen Schritt ausführen, wird Ihr Einführungswissen in ML abgerundet, einschließlich der Erweiterung der Plattform, um Ihren Anforderungen gerecht zu werden.

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

Anhand konkreter Beispiele und zweier produktionsbereiter Python-Frameworks - Scikit-Learn und TensorFlow - erhalten Sie in diesem Buch ein intuitives Verständnis der Konzepte und Tools zum Erstellen intelligenter Systeme.