TensorFlow ile teorik ve gelişmiş makine öğrenimi
Aşağıdaki öğrenme materyallerine başlamadan önce şunları yaptığınızdan emin olun:
TensorFlow ile makine öğreniminin temelleri müfredatımızı tamamlayın veya eşdeğer bilgiye sahip olun
Özellikle Python'da yazılım geliştirme deneyimine sahip olmak
Bu müfredat, aşağıdakileri yapmak isteyenler için bir başlangıç noktasıdır:
Makine öğrenimi anlayışlarını geliştirin
TensorFlow ile belgeleri anlamaya ve uygulamaya başlayın
Devam etmeden önce , makine öğreniminin nasıl çalıştığına dair arka plan bilgisine sahip olmanız veya başlangıç müfredatındaki öğrenme materyallerini tamamlamanız gerekir. Aşağıdaki içerik, öğrencileri daha teorik ve gelişmiş makine öğrenimi içeriğine yönlendirmeyi amaçlamaktadır. Kaynakların çoğunun TensorFlow kullandığını göreceksiniz, ancak bilgi diğer ML çerçevelerine aktarılabilir.
Makine öğrenimi anlayışınızı ilerletmek için Python programlama deneyiminin yanı sıra matematik, lineer cebir, olasılık ve istatistik konularında bir geçmişe sahip olmalısınız. Makine öğrenimi bilginizi derinleştirmenize yardımcı olmak için, birkaç ders kitabının yanı sıra üniversitelerden önerilen bir dizi kaynak ve kursu listeledik.
1. Adım: Matematik kavramları hakkındaki anlayışınızı tazeleyin
ML, matematik ağırlıklı bir disiplindir. Makine öğrenimi modellerini değiştirmeyi veya sıfırdan yenilerini oluşturmayı planlıyorsanız, temel matematik kavramlarına aşinalık önemlidir. Tüm matematiği önceden öğrenmek zorunda değilsiniz, bunun yerine aşina olmadığınız kavramlarla karşılaştığınızda arayabilirsiniz. Matematik kursu almayalı uzun zaman olduysa, tazelemek için 3blue1brown'dan Essence of lineer cebir ve Essence of calculus çalma listelerini izlemeyi deneyin. Bir üniversiteden ders alarak veya MIT'den Linear Cebir veya Tek Değişkenli Hesap gibi açık erişim dersleri izleyerek devam etmenizi öneririz.
3blue1brown'dan matrislerin, determinantların, öz-maddelerin ve daha fazlasının geometrik anlayışını açıklayan bir dizi kısa, görsel video.
3blue1brown'dan, yalnızca denklemlerin nasıl çalıştığını değil, temel teoremleri de güçlü bir şekilde anlamanızı sağlayacak şekilde kalkülüsün temellerini açıklayan bir dizi kısa, görsel video.
MIT'den gelen bu giriş dersi, matris teorisini ve lineer cebiri kapsar. Denklem sistemleri, vektör uzayları, determinantlar, özdeğerler, benzerlik ve pozitif tanımlı matrisler gibi diğer disiplinlerde faydalı olacak konulara vurgu yapılır.
MIT'den alınan bu giriş niteliğindeki kalkülüs kursu, tek değişkenli fonksiyonların uygulamalarla türevini ve entegrasyonunu kapsar.
2. Adım: Bu kurslar ve kitaplarla derin öğrenme anlayışınızı derinleştirin
Derin öğrenme hakkında bilmeniz gereken her şeyi size öğretecek tek bir kurs yoktur. Yardımcı olabilecek bir yaklaşım, aynı anda birkaç ders almaktır. Materyalde örtüşmeler olsa da, birden fazla eğitmenin kavramları farklı şekillerde açıklaması özellikle karmaşık konularda yardımcı olabilir. Aşağıda, başlamanıza yardımcı olması için önerdiğimiz birkaç kurs bulunmaktadır. Her birini birlikte keşfedebilir veya size en uygun gelenleri seçebilirsiniz.
Unutmayın, ne kadar çok öğrenirseniz ve bu kavramları pratikle pekiştirirseniz, kendi ML modellerinizi oluşturma ve değerlendirme konusunda o kadar ustalaşacaksınız.
Bu kursları alın:
MIT kursu 6.S191: Derin Öğrenmeye Giriş, MIT'den TensorFlow ile Derin Öğrenmeye giriş niteliğinde bir kurstur ve aynı zamanda harika bir kaynaktır.
Andrew Ng'nin Coursera'daki Derin Öğrenme Uzmanlığı ayrıca evrişimli ağlar, RNNS, LSTM'ler ve daha fazlası dahil olmak üzere derin öğrenmenin temellerini öğretir. Bu uzmanlık, işinizde derin öğrenmeyi uygulamanıza ve yapay zeka alanında kariyer oluşturmanıza yardımcı olmak için tasarlanmıştır.
MIT'nin bu kursunda, derin öğrenme algoritmaları hakkında temel bilgiler edinecek ve TensorFlow'da sinir ağları oluşturma konusunda pratik deneyim kazanacaksınız.
DeepLearning.AI
Derin Öğrenme UzmanlığıBeş kursta Derin Öğrenmenin temellerini öğrenecek, nöral ağların nasıl oluşturulacağını anlayacak ve başarılı makine öğrenimi projelerini nasıl yöneteceğinizi ve AI'da bir kariyer inşa edeceğinizi öğreneceksiniz. Sadece teoride ustalaşmakla kalmayacak, aynı zamanda endüstride nasıl uygulandığını da göreceksiniz.
⬆ Ve ⬇ Bu kitapları okuyun:
Yukarıda listelenen kurslarda öğrendiklerinizi tamamlamak için aşağıdaki kitapları okuyarak daha derine inmenizi öneririz. Her kitap çevrimiçi olarak mevcuttur ve pratik yapmanıza yardımcı olacak ek materyaller sunar.
Derin Öğrenme: Ian Goodfellow, Yoshua Bengio ve Aaron Courville tarafından yazılan bir MIT Basın Kitabı'nı okuyarak başlayabilirsiniz. Derin Öğrenme ders kitabı, öğrencilerin anlayışlarını derinleştirmelerine yardımcı olmayı amaçlayan gelişmiş bir kaynaktır. Kitaba, alıştırmalar, ders slaytları, hataların düzeltmeleri ve kavramlarla ilgili uygulamalı pratik yapmanızı sağlayacak diğer kaynaklar dahil olmak üzere çeşitli ek materyaller sağlayan bir web sitesi eşlik etmektedir.
Ayrıca Michael Nielsen'in çevrimiçi kitabı Neural Networks and Deep Learning'i de keşfedebilirsiniz. Bu kitap, sinir ağları hakkında teorik bir arka plan sağlar. TensorFlow kullanmaz, ancak daha fazlasını öğrenmek isteyen öğrenciler için harika bir referanstır.
Bu Derin Öğrenme ders kitabı, öğrencilerin ve uygulayıcıların genel olarak makine öğrenimi ve özel olarak derin öğrenme alanına girmelerine yardımcı olmayı amaçlayan bir kaynaktır.
Bu kitap, sinir ağları hakkında teorik bir arka plan sağlar. TensorFlow kullanmaz, ancak daha fazlasını öğrenmek isteyen öğrenciler için harika bir referanstır.
3. Adım: TensorFlow ile belgeleri okuyun ve uygulayın
Bu noktada, web sitemizdeki birkaç iyi bilinen yayının uygulamalarını içeren makaleleri okumanızı ve ileri düzey öğreticileri denemenizi öneririz. Gelişmiş bir uygulama, makine çevirisi veya resim yazısı öğrenmenin en iyi yolu, öğreticiden bağlantılı makaleyi okumaktır. Üzerinde çalışırken, kodun ilgili bölümlerini bulun ve anlayışınızı sağlamlaştırmaya yardımcı olmak için bunları kullanın.
TensorFlow ile teorik ve gelişmiş makine öğrenimi
Aşağıdaki öğrenme materyallerine başlamadan önce şunları yaptığınızdan emin olun:
TensorFlow ile makine öğreniminin temelleri müfredatımızı tamamlayın veya eşdeğer bilgiye sahip olun
Özellikle Python'da yazılım geliştirme deneyimine sahip olmak
Bu müfredat, aşağıdakileri yapmak isteyenler için bir başlangıç noktasıdır:
Makine öğrenimi anlayışlarını geliştirin
TensorFlow ile belgeleri anlamaya ve uygulamaya başlayın
Devam etmeden önce , makine öğreniminin nasıl çalıştığına dair arka plan bilgisine sahip olmanız veya başlangıç müfredatındaki öğrenme materyallerini tamamlamanız gerekir. Aşağıdaki içerik, öğrencileri daha teorik ve gelişmiş makine öğrenimi içeriğine yönlendirmeyi amaçlamaktadır. Kaynakların çoğunun TensorFlow kullandığını göreceksiniz, ancak bilgi diğer ML çerçevelerine aktarılabilir.
Makine öğrenimi anlayışınızı ilerletmek için Python programlama deneyiminin yanı sıra matematik, lineer cebir, olasılık ve istatistik konularında bir geçmişe sahip olmalısınız. Makine öğrenimi bilginizi derinleştirmenize yardımcı olmak için, birkaç ders kitabının yanı sıra üniversitelerden önerilen bir dizi kaynak ve kursu listeledik.
1. Adım: Matematik kavramları hakkındaki anlayışınızı tazeleyin
ML, matematik ağırlıklı bir disiplindir. Makine öğrenimi modellerini değiştirmeyi veya sıfırdan yenilerini oluşturmayı planlıyorsanız, temel matematik kavramlarına aşinalık önemlidir. Tüm matematiği önceden öğrenmek zorunda değilsiniz, bunun yerine aşina olmadığınız kavramlarla karşılaştığınızda arayabilirsiniz. Matematik kursu almayalı uzun zaman olduysa, tazelemek için 3blue1brown'dan Essence of lineer cebir ve Essence of calculus çalma listelerini izlemeyi deneyin. Bir üniversiteden ders alarak veya MIT'den Linear Cebir veya Tek Değişkenli Hesap gibi açık erişim dersleri izleyerek devam etmenizi öneririz.
3blue1brown'dan matrislerin, determinantların, öz-maddelerin ve daha fazlasının geometrik anlayışını açıklayan bir dizi kısa, görsel video.
3blue1brown'dan, yalnızca denklemlerin nasıl çalıştığını değil, temel teoremleri de güçlü bir şekilde anlamanızı sağlayacak şekilde kalkülüsün temellerini açıklayan bir dizi kısa, görsel video.
MIT'den gelen bu giriş dersi, matris teorisini ve lineer cebiri kapsar. Denklem sistemleri, vektör uzayları, determinantlar, özdeğerler, benzerlik ve pozitif tanımlı matrisler gibi diğer disiplinlerde faydalı olacak konulara vurgu yapılır.
MIT'den alınan bu giriş niteliğindeki kalkülüs kursu, tek değişkenli fonksiyonların uygulamalarla türevini ve entegrasyonunu kapsar.
2. Adım: Bu kurslar ve kitaplarla derin öğrenme anlayışınızı derinleştirin
Derin öğrenme hakkında bilmeniz gereken her şeyi size öğretecek tek bir kurs yoktur. Yardımcı olabilecek bir yaklaşım, aynı anda birkaç ders almaktır. Materyalde örtüşmeler olsa da, birden fazla eğitmenin kavramları farklı şekillerde açıklaması özellikle karmaşık konularda yardımcı olabilir. Aşağıda, başlamanıza yardımcı olması için önerdiğimiz birkaç kurs bulunmaktadır. Her birini birlikte keşfedebilir veya size en uygun gelenleri seçebilirsiniz.
Unutmayın, ne kadar çok öğrenirseniz ve bu kavramları pratikle pekiştirirseniz, kendi ML modellerinizi oluşturma ve değerlendirme konusunda o kadar ustalaşacaksınız.
Bu kursları alın:
MIT kursu 6.S191: Derin Öğrenmeye Giriş, MIT'den TensorFlow ile Derin Öğrenmeye giriş niteliğinde bir kurstur ve aynı zamanda harika bir kaynaktır.
Andrew Ng'nin Coursera'daki Derin Öğrenme Uzmanlığı ayrıca evrişimli ağlar, RNNS, LSTM'ler ve daha fazlası dahil olmak üzere derin öğrenmenin temellerini öğretir. Bu uzmanlık, işinizde derin öğrenmeyi uygulamanıza ve yapay zeka alanında kariyer oluşturmanıza yardımcı olmak için tasarlanmıştır.
MIT'nin bu kursunda, derin öğrenme algoritmaları hakkında temel bilgiler edinecek ve TensorFlow'da sinir ağları oluşturma konusunda pratik deneyim kazanacaksınız.
DeepLearning.AI
Derin Öğrenme UzmanlığıBeş kursta Derin Öğrenmenin temellerini öğrenecek, nöral ağların nasıl oluşturulacağını anlayacak ve başarılı makine öğrenimi projelerini nasıl yöneteceğinizi ve AI'da bir kariyer inşa edeceğinizi öğreneceksiniz. Sadece teoride ustalaşmakla kalmayacak, aynı zamanda endüstride nasıl uygulandığını da göreceksiniz.
⬆ Ve ⬇ Bu kitapları okuyun:
Yukarıda listelenen kurslarda öğrendiklerinizi tamamlamak için aşağıdaki kitapları okuyarak daha derine inmenizi öneririz. Her kitap çevrimiçi olarak mevcuttur ve pratik yapmanıza yardımcı olacak ek materyaller sunar.
Derin Öğrenme: Ian Goodfellow, Yoshua Bengio ve Aaron Courville tarafından yazılan bir MIT Basın Kitabı'nı okuyarak başlayabilirsiniz. Derin Öğrenme ders kitabı, öğrencilerin anlayışlarını derinleştirmelerine yardımcı olmayı amaçlayan gelişmiş bir kaynaktır. Kitaba, alıştırmalar, ders slaytları, hataların düzeltmeleri ve kavramlarla ilgili uygulamalı pratik yapmanızı sağlayacak diğer kaynaklar dahil olmak üzere çeşitli ek materyaller sağlayan bir web sitesi eşlik etmektedir.
Ayrıca Michael Nielsen'in çevrimiçi kitabı Neural Networks and Deep Learning'i de keşfedebilirsiniz. Bu kitap, sinir ağları hakkında teorik bir arka plan sağlar. TensorFlow kullanmaz, ancak daha fazlasını öğrenmek isteyen öğrenciler için harika bir referanstır.
Bu Derin Öğrenme ders kitabı, öğrencilerin ve uygulayıcıların genel olarak makine öğrenimi ve özel olarak derin öğrenme alanına girmelerine yardımcı olmayı amaçlayan bir kaynaktır.
Bu kitap, sinir ağları hakkında teorik bir arka plan sağlar. TensorFlow kullanmaz, ancak daha fazlasını öğrenmek isteyen öğrenciler için harika bir referanstır.
3. Adım: TensorFlow ile belgeleri okuyun ve uygulayın
Bu noktada, web sitemizdeki birkaç iyi bilinen yayının uygulamalarını içeren makaleleri okumanızı ve ileri düzey öğreticileri denemenizi öneririz. Gelişmiş bir uygulama, makine çevirisi veya resim yazısı öğrenmenin en iyi yolu, öğreticiden bağlantılı makaleyi okumaktır. Üzerinde çalışırken, kodun ilgili bölümlerini bulun ve anlayışınızı sağlamlaştırmaya yardımcı olmak için bunları kullanın.