Noções básicas de machine learning com o TensorFlow
Antes de começar a usar os materiais de aprendizado abaixo, não se esqueça dos seguintes requisitos:
- Ter experiência em desenvolvimento de software, principalmente em Python
Este currículo é um ponto de partida para as pessoas com seguinte perfil:
- Iniciantes no ML, mas que têm experiência em desenvolvimento ou ciência da computação
Este conteúdo é destinado a orientar novos desenvolvedores em ML ao longo dos estágios iniciais da jornada. Você verá que muitos dos recursos usam o TensorFlow. No entanto, o conhecimento pode ser transferido para outros frameworks de machine learning.
Etapa 1: entenda o que é ML
O TensorFlow 2.0 foi projetado para facilitar a criação de redes neurais para machine learning. É por isso que o TensorFlow 2.0 usa uma API chamada Keras. O livro ‘Deep Learning in Python’, de François Chollet, criador do Keras, é um ótimo ponto de partida. Leia os capítulos 1 a 4 para entender os fundamentos do ML do ponto de vista de um programador. A segunda metade do livro examina áreas como a visão computacional, o processamento de linguagem natural, o aprendizado profundo generativo e muito mais. Não se preocupe se esses assuntos forem muito avançados para você agora. Tudo isso fará sentido no momento certo.
This introductory book provides a code-first approach to learn how to implement the most common ML scenarios, such as computer vision, natural language processing (NLP), and sequence modeling for web, mobile, cloud, and embedded runtimes.
Este livro é uma introdução prática ao aprendizado profundo com Keras.
⬆ Ou ⬇
Faça um curso on-line, como o Introdução ao TensorFlow do Coursera ou o Introdução ao TensorFlow para aprendizado profundo da Udacity. Os dois currículos abordam os mesmos fundamentos do livro de François. Talvez você também goste destes vídeos da 3blue1brown, já que oferecem explicações rápidas sobre como as redes neurais funcionam no nível matemático.
Após concluir esta etapa, você saberá os fundamentos de como o ML funciona e poderá se aprofundar ainda mais.
Desenvolvido em colaboração com a equipe do TensorFlow, este curso é parte da especialização "TensorFlow in Practice" e ensinará as práticas recomendadas de uso da plataforma.
Neste curso on-line desenvolvido pela equipe do TensorFlow e a Udacity, você aprenderá a criar apps de aprendizado profundo com o TensorFlow.
Etapa 2: vá além do básico
Faça a especialização "TensorFlow na prática", que vai além do básico e apresenta os princípios da visão computacional, da PLN e do modelo sequencial.
Após concluir esta etapa, você continuará na introdução e terá lições sobre como usar o TensorFlow para criar modelos básicos em diferentes cenários, incluindo a classificação de imagens, entendimento de sentimento em texto, algoritmos geradores e muito mais.
Neste curso, você conhecerá as ferramentas usadas por desenvolvedores para criar algoritmos com tecnologia de IA escalonáveis no TensorFlow.
Etapa 3: coloque seu aprendizado em prática
Consulte alguns dos nossos tutoriais do TensorFlow Core para praticar os conceitos aprendidos nas etapas 1 e 2. Depois disso, tente fazer alguns dos exercícios mais avançados no lado esquerdo da página.
Concluir essa etapa aumentará sua compreensão dos principais conceitos e cenários que serão encontrados ao criar modelos de ML.
Etapa 4: aumente seu conhecimento sobre o TensorFlow
Agora volte ao "Deep Learning in Python", de François, e conclua os capítulos 5 a 9. Cada exemplo desse livro funcionará no TensorFlow 2.0, basta alterar uma importação. Leia também o livro Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, de Aurelien Geron. Esse livro apresenta o ML usando o scikit-learn e também o aprendizado profundo com o TensorFlow 2.0.
Ao concluir esta etapa, você encerrará os conhecimentos iniciais de ML, incluindo a expansão da plataforma para atender às suas necessidades.
Com exemplos concretos e dois frameworks Python prontos para produção (Scikit-Learn e TensorFlow), este livro ajuda você a ter uma compreensão intuitiva dos conceitos e das ferramentas para criar sistemas inteligentes.