Noções básicas de aprendizado de máquina com TensorFlow
Este currículo é para pessoas que:
- Novo no ML, mas com experiência intermediária em programação
Este conteúdo tem como objetivo orientar os desenvolvedores novos no ML nos estágios iniciais de sua jornada de ML. Você verá que muitos dos recursos usam o TensorFlow; no entanto, o conhecimento pode ser transferido para outras estruturas de aprendizado de máquina.
Etapa 1: entenda do que se trata o ML
O TensorFlow 2.0 foi projetado para facilitar a construção de redes neurais para aprendizado de máquina, e é por isso que o TensorFlow 2.0 usa uma API chamada Keras. O livro Deep Learning with Python, de François Chollet, criador do Keras, é um ótimo lugar para começar. Leia os capítulos 1 a 4 para compreender os fundamentos do ML da perspectiva de um programador. A segunda metade do livro investiga áreas como visão computacional, processamento de linguagem natural, aprendizado profundo generativo e muito mais. Não se preocupe se esses tópicos estiverem muito avançados no momento, pois farão mais sentido no devido tempo.
Este livro introdutório fornece uma abordagem de código inicial para aprender como implementar os cenários de ML mais comuns, como visão computacional, processamento de linguagem natural (PNL) e modelagem de sequência para tempos de execução incorporados, móveis, na nuvem e na Web.
Este livro é uma introdução prática ao Deep Learning com Keras.
⬆ Ou ⬇
Faça um curso on-line, como Introdução ao TensorFlow do Coursera ou Introdução ao TensorFlow para aprendizado profundo da Udacity, ambos cobrindo os mesmos fundamentos do livro de François. Você também pode achar úteis esses vídeos do 3blue1brown, que fornecem explicações rápidas sobre como as redes neurais funcionam em um nível matemático.
A conclusão desta etapa lhe dará as bases de como o ML funciona, preparando você para se aprofundar.
DeepLearning.AI
Introdução ao TensorFlow para IA, ML e aprendizado profundoDesenvolvido em colaboração com a equipe do TensorFlow, este curso faz parte da especialização para desenvolvedores do TensorFlow e ensinará as práticas recomendadas para usar o TensorFlow.
Neste curso on-line desenvolvido pela equipe do TensorFlow e pela Udacity, você aprenderá como criar aplicativos de aprendizado profundo com o TensorFlow.
Etapa 2: além do básico
Faça a especialização para desenvolvedores do TensorFlow , que leva você além do básico, passando por visão computacional introdutória, PNL e modelagem de sequência.
A conclusão desta etapa continua sua introdução e ensina como usar o TensorFlow para criar modelos básicos para uma variedade de cenários, incluindo classificação de imagens, compreensão de sentimentos em texto, algoritmos generativos e muito mais.
DeepLearning.AI
Especialização para desenvolvedores em TensorFlowNesta especialização de quatro cursos ministrada por um desenvolvedor do TensorFlow, você explorará as ferramentas e os desenvolvedores de software usados para criar algoritmos escalonáveis com tecnologia de IA no TensorFlow.
Etapa 3: prática
Experimente alguns dos nossos tutoriais do TensorFlow Core , que permitirão que você pratique os conceitos aprendidos nas etapas 1 e 2. Quando terminar, experimente alguns dos exercícios mais avançados.
A conclusão desta etapa melhorará sua compreensão dos principais conceitos e cenários que você encontrará ao construir modelos de ML.
Etapa 4: aprofunde-se com o TensorFlow
Agora é hora de voltar ao Deep Learning with Python de François e terminar os capítulos 5 a 9. Você também deve ler o livro Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow , de Aurelien Geron. Este livro apresenta ML e aprendizado profundo usando o TensorFlow 2.0.
A conclusão desta etapa completará seu conhecimento introdutório de ML, incluindo a expansão da plataforma para atender às suas necessidades.
Usando exemplos concretos, teoria mínima e duas estruturas Python prontas para produção — Scikit-Learn e TensorFlow — este livro ajuda você a obter uma compreensão intuitiva dos conceitos e ferramentas para a construção de sistemas inteligentes.