Apprendimento automatico teorico e avanzato con TensorFlow

Prima di iniziare con i materiali didattici di seguito, assicurati di:

  1. Completa il nostro curriculum Nozioni di base sull'apprendimento automatico con TensorFlow o acquisisci conoscenze equivalenti

  2. Avere esperienza di sviluppo software, in particolare in Python

Questo curriculum è un punto di partenza per le persone che desiderano:

  1. Migliora la loro comprensione del ML

  2. Inizia a comprendere e implementare documenti con TensorFlow

Prima di continuare, dovresti già avere una conoscenza di base di come funziona il ML o aver completato i materiali di apprendimento nel curriculum per principianti Nozioni di base sull'apprendimento automatico con TensorFlow . Il contenuto seguente ha lo scopo di guidare gli studenti a contenuti di apprendimento automatico più teorici e avanzati. Vedrai che molte delle risorse utilizzano TensorFlow, tuttavia, la conoscenza è trasferibile ad altri framework ML.

Per approfondire la tua comprensione del ML, dovresti avere esperienza di programmazione Python e un background in calcolo, algebra lineare, probabilità e statistica. Per aiutarti ad approfondire le tue conoscenze sul ML, abbiamo elencato una serie di risorse e corsi consigliati dalle università, oltre a un paio di libri di testo.

Passaggio 1: aggiorna la tua comprensione dei concetti di matematica

Il ML è una disciplina pesante per la matematica. Se intendi modificare i modelli ML o crearne di nuovi da zero, la familiarità con i concetti matematici sottostanti è importante. Non devi imparare tutta la matematica in anticipo, ma invece puoi cercare concetti che non conosci mentre li incontri. Se è passato un po' di tempo dall'ultima volta che hai seguito un corso di matematica, prova a guardare le playlist Essence of linear algebra e Essence of calcolo di 3blue1brown per un aggiornamento. Ti consigliamo di continuare frequentando un corso di un'università o guardando lezioni ad accesso libero del MIT, come Algebra lineare o Calcolo a variabili singole .

L'essenza dell'algebra lineare
di 3Blue1Brown

Una serie di brevi video visivi di 3blue1brown che spiegano la comprensione geometrica di matrici, determinanti, elementi propri e altro ancora.

Essenza del calcolo
di 3Blue1Brown

Una serie di brevi video visivi di 3blue1brown che spiegano i fondamenti del calcolo in un modo che ti offre una forte comprensione dei teoremi fondamentali e non solo di come funzionano le equazioni.

MIT 18.06: Algebra lineare

Questo corso introduttivo del MIT copre la teoria delle matrici e l'algebra lineare. Viene data enfasi ad argomenti che saranno utili in altre discipline, inclusi sistemi di equazioni, spazi vettoriali, determinanti, autovalori, similarità e matrici definite positive.

MIT 18.01: Calcolo a variabili singole

Questo corso introduttivo di calcolo del MIT copre la differenziazione e l'integrazione delle funzioni di una variabile, con applicazioni.

Passaggio 2: approfondisci la tua comprensione dell'apprendimento profondo con questi corsi e libri

Non esiste un unico corso che ti insegnerà tutto ciò che devi sapere sul deep learning. Un approccio che può essere utile è quello di seguire alcuni corsi contemporaneamente. Anche se ci saranno delle sovrapposizioni nel materiale, avere più istruttori che spiegano i concetti in modi diversi può essere utile, specialmente per argomenti complessi. Di seguito sono riportati diversi corsi che consigliamo per aiutarti a iniziare. Puoi esplorarli insieme o semplicemente scegliere quelli che ritieni più rilevanti per te.

Ricorda, più impari e rafforzi questi concetti attraverso la pratica, più abile sarai nel costruire e valutare i tuoi modelli ML.

Segui questi corsi:

Il corso MIT 6.S191: Introduzione al Deep Learning è un corso introduttivo al Deep Learning con TensorFlow del MIT e anche una risorsa meravigliosa.

La specializzazione in Deep Learning di Andrew Ng presso Coursera insegna anche le basi del deep learning, comprese le reti convoluzionali, RNNS, LSTM e altro ancora. Questa specializzazione è progettata per aiutarti ad applicare il deep learning nel tuo lavoro e per costruire una carriera nell'IA.

MIT 6.S191: Introduzione all'apprendimento profondo

In questo corso del MIT acquisirai una conoscenza di base degli algoritmi di deep learning e acquisirai esperienza pratica nella costruzione di reti neurali in TensorFlow.

Specializzazione in Deep Learning

In cinque corsi imparerai le basi del Deep Learning, capirai come costruire reti neurali e imparerai come condurre progetti di apprendimento automatico di successo e costruire una carriera nell'IA. Imparerai non solo la teoria, ma vedrai anche come viene applicata nell'industria.

⬆ E ⬇ Leggi questi libri:

Per completare ciò che impari nei corsi sopra elencati, ti consigliamo di approfondire leggendo i libri di seguito. Ogni libro è disponibile online e offre materiali supplementari per aiutarti a esercitarti.

Puoi iniziare leggendo Deep Learning: An MIT Press Book di Ian Goodfellow, Yoshua Bengio e Aaron Courville. Il libro di testo Deep Learning è una risorsa avanzata destinata ad aiutare gli studenti ad approfondire la loro comprensione. Il libro è accompagnato da un sito Web , che fornisce una varietà di materiali supplementari, inclusi esercizi, diapositive delle lezioni, correzioni di errori e altre risorse per esercitarti con i concetti.

Puoi anche esplorare il libro online di Michael Nielsen Reti neurali e apprendimento profondo . Questo libro fornisce un background teorico sulle reti neurali. Non utilizza TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.

Apprendimento approfondito
di Ian Goodfellow, Yoshua Bengio e Aaron Courville

Questo libro di testo sull'apprendimento profondo è una risorsa destinata ad aiutare studenti e professionisti a entrare nel campo dell'apprendimento automatico in generale e dell'apprendimento profondo in particolare.

Reti neurali e deep learning
di Michael Nielsen

Questo libro fornisce un background teorico sulle reti neurali. Non utilizza TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.

Passaggio 3: leggi e implementa i documenti con TensorFlow

A questo punto, ti consigliamo di leggere gli articoli e di provare i tutorial avanzati sul nostro sito Web, che contengono implementazioni di alcune note pubblicazioni. Il modo migliore per imparare un'applicazione avanzata, una traduzione automatica o una didascalia di immagini è leggere il documento collegato al tutorial. Mentre lo lavori, trova le sezioni pertinenti del codice e usale per consolidare la tua comprensione.

,

Apprendimento automatico teorico e avanzato con TensorFlow

Prima di iniziare con i materiali didattici di seguito, assicurati di:

  1. Completa il nostro curriculum Nozioni di base sull'apprendimento automatico con TensorFlow o acquisisci conoscenze equivalenti

  2. Avere esperienza di sviluppo software, in particolare in Python

Questo curriculum è un punto di partenza per le persone che desiderano:

  1. Migliora la loro comprensione del ML

  2. Inizia a comprendere e implementare documenti con TensorFlow

Prima di continuare, dovresti già avere una conoscenza di base di come funziona il ML o aver completato i materiali di apprendimento nel curriculum per principianti Nozioni di base sull'apprendimento automatico con TensorFlow . Il contenuto seguente ha lo scopo di guidare gli studenti a contenuti di apprendimento automatico più teorici e avanzati. Vedrai che molte delle risorse utilizzano TensorFlow, tuttavia, la conoscenza è trasferibile ad altri framework ML.

Per approfondire la tua comprensione del ML, dovresti avere esperienza di programmazione Python e un background in calcolo, algebra lineare, probabilità e statistica. Per aiutarti ad approfondire le tue conoscenze sul ML, abbiamo elencato una serie di risorse e corsi consigliati dalle università, oltre a un paio di libri di testo.

Passaggio 1: aggiorna la tua comprensione dei concetti di matematica

Il ML è una disciplina pesante per la matematica. Se intendi modificare i modelli ML o crearne di nuovi da zero, la familiarità con i concetti matematici sottostanti è importante. Non devi imparare tutta la matematica in anticipo, ma invece puoi cercare concetti che non conosci mentre li incontri. Se è passato un po' di tempo dall'ultima volta che hai seguito un corso di matematica, prova a guardare le playlist Essence of linear algebra e Essence of calcolo di 3blue1brown per un aggiornamento. Ti consigliamo di continuare frequentando un corso di un'università o guardando lezioni ad accesso libero del MIT, come Algebra lineare o Calcolo a variabili singole .

L'essenza dell'algebra lineare
di 3Blue1Brown

Una serie di brevi video visivi di 3blue1brown che spiegano la comprensione geometrica di matrici, determinanti, elementi propri e altro ancora.

Essenza del calcolo
di 3Blue1Brown

Una serie di brevi video visivi di 3blue1brown che spiegano i fondamenti del calcolo in un modo che ti offre una forte comprensione dei teoremi fondamentali e non solo di come funzionano le equazioni.

MIT 18.06: Algebra lineare

Questo corso introduttivo del MIT copre la teoria delle matrici e l'algebra lineare. Viene data enfasi ad argomenti che saranno utili in altre discipline, inclusi sistemi di equazioni, spazi vettoriali, determinanti, autovalori, similarità e matrici definite positive.

MIT 18.01: Calcolo a variabili singole

Questo corso introduttivo di calcolo del MIT copre la differenziazione e l'integrazione delle funzioni di una variabile, con applicazioni.

Passaggio 2: approfondisci la tua comprensione dell'apprendimento profondo con questi corsi e libri

Non esiste un unico corso che ti insegnerà tutto ciò che devi sapere sul deep learning. Un approccio che può essere utile è quello di seguire alcuni corsi contemporaneamente. Anche se ci saranno delle sovrapposizioni nel materiale, avere più istruttori che spiegano i concetti in modi diversi può essere utile, specialmente per argomenti complessi. Di seguito sono riportati diversi corsi che consigliamo per aiutarti a iniziare. Puoi esplorarli insieme o semplicemente scegliere quelli che ritieni più rilevanti per te.

Ricorda, più impari e rafforzi questi concetti attraverso la pratica, più abile sarai nel costruire e valutare i tuoi modelli ML.

Segui questi corsi:

Il corso MIT 6.S191: Introduzione al Deep Learning è un corso introduttivo al Deep Learning con TensorFlow del MIT e anche una risorsa meravigliosa.

La specializzazione in Deep Learning di Andrew Ng presso Coursera insegna anche le basi del deep learning, comprese le reti convoluzionali, RNNS, LSTM e altro ancora. Questa specializzazione è progettata per aiutarti ad applicare il deep learning nel tuo lavoro e per costruire una carriera nell'IA.

MIT 6.S191: Introduzione all'apprendimento profondo

In questo corso del MIT acquisirai una conoscenza di base degli algoritmi di deep learning e acquisirai esperienza pratica nella costruzione di reti neurali in TensorFlow.

Specializzazione in Deep Learning

In cinque corsi imparerai le basi del Deep Learning, capirai come costruire reti neurali e imparerai come condurre progetti di apprendimento automatico di successo e costruire una carriera nell'IA. Imparerai non solo la teoria, ma vedrai anche come viene applicata nell'industria.

⬆ E ⬇ Leggi questi libri:

Per completare ciò che impari nei corsi sopra elencati, ti consigliamo di approfondire leggendo i libri di seguito. Ogni libro è disponibile online e offre materiali supplementari per aiutarti a esercitarti.

Puoi iniziare leggendo Deep Learning: An MIT Press Book di Ian Goodfellow, Yoshua Bengio e Aaron Courville. Il libro di testo Deep Learning è una risorsa avanzata destinata ad aiutare gli studenti ad approfondire la loro comprensione. Il libro è accompagnato da un sito Web , che fornisce una varietà di materiali supplementari, inclusi esercizi, diapositive delle lezioni, correzioni di errori e altre risorse per esercitarti con i concetti.

Puoi anche esplorare il libro online di Michael Nielsen Reti neurali e apprendimento profondo . Questo libro fornisce un background teorico sulle reti neurali. Non utilizza TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.

Apprendimento approfondito
di Ian Goodfellow, Yoshua Bengio e Aaron Courville

Questo libro di testo sull'apprendimento profondo è una risorsa destinata ad aiutare studenti e professionisti a entrare nel campo dell'apprendimento automatico in generale e dell'apprendimento profondo in particolare.

Reti neurali e deep learning
di Michael Nielsen

Questo libro fornisce un background teorico sulle reti neurali. Non utilizza TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.

Passaggio 3: leggi e implementa i documenti con TensorFlow

A questo punto, ti consigliamo di leggere gli articoli e di provare i tutorial avanzati sul nostro sito Web, che contengono implementazioni di alcune note pubblicazioni. Il modo migliore per imparare un'applicazione avanzata, una traduzione automatica o una didascalia di immagini è leggere il documento collegato al tutorial. Mentre lo lavori, trova le sezioni pertinenti del codice e usale per consolidare la tua comprensione.