Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Apprentissage automatique théorique et avancé avec TensorFlow

Avant de commencer avec les supports d'apprentissage ci-dessous, assurez-vous de :

  1. Compléter notre cursus Basics of machine learning with TensorFlow , ou avoir des connaissances équivalentes

  2. Avoir une expérience en développement logiciel, notamment en Python

Ce programme est un point de départ pour les personnes qui souhaitent :

  1. Améliorer leur compréhension du ML

  2. Commencez à comprendre et à mettre en œuvre des articles avec TensorFlow

Vous devez déjà avoir des connaissances de base sur le fonctionnement du ML ou avoir suivi les supports d'apprentissage du programme pour débutants Principes de base du machine learning avec TensorFlow avant de continuer. Le contenu ci-dessous est destiné à guider les apprenants vers un contenu d'apprentissage automatique plus théorique et avancé. Vous verrez que de nombreuses ressources utilisent TensorFlow, cependant, les connaissances sont transférables à d'autres frameworks ML.

Pour approfondir votre compréhension du ML, vous devez avoir une expérience en programmation Python ainsi qu'une formation en calcul, algèbre linéaire, probabilité et statistiques. Pour vous aider à approfondir vos connaissances en ML, nous avons répertorié un certain nombre de ressources et de cours recommandés par les universités, ainsi que quelques manuels.

Étape 1 : Rafraîchissez votre compréhension des concepts mathématiques

ML est une discipline lourde en mathématiques. Si vous envisagez de modifier des modèles ML ou d'en créer de nouveaux à partir de rien, il est important de se familiariser avec les concepts mathématiques sous-jacents. Vous n'avez pas besoin d'apprendre toutes les mathématiques à l'avance, mais à la place, vous pouvez rechercher des concepts avec lesquels vous n'êtes pas familiers au fur et à mesure que vous les rencontrez. Si cela fait un moment que vous n'avez pas suivi de cours de mathématiques, essayez de regarder les listes de lecture Essence of linear algebra et Essence of calculus de 3blue1brown pour vous rafraîchir la mémoire. Nous vous recommandons de continuer en suivant un cours dans une université ou en regardant des conférences en libre accès du MIT, telles que Linear Algebra ou Single Variable Calculus .

Essence de l'algèbre linéaire
par 3Blue1Brown

Une série de courtes vidéos visuelles de 3blue1brown qui expliquent la compréhension géométrique des matrices, des déterminants, des éléments propres et plus encore.

Essence de calcul
par 3Blue1Brown

Une série de courtes vidéos visuelles de 3blue1brown qui expliquent les principes fondamentaux du calcul d'une manière qui vous donne une solide compréhension des théorèmes fondamentaux, et pas seulement du fonctionnement des équations.

MIT 18.06 : Algèbre linéaire

Ce cours d'introduction du MIT couvre la théorie des matrices et l'algèbre linéaire. L'accent est mis sur des sujets qui seront utiles dans d'autres disciplines, y compris les systèmes d'équations, les espaces vectoriels, les déterminants, les valeurs propres, la similarité et les matrices définies positives.

MIT 18.01 : calcul à une seule variable

Ce cours d'introduction au calcul du MIT couvre la différenciation et l'intégration des fonctions d'une variable, avec des applications.

Étape 2 : Approfondissez votre compréhension de l'apprentissage en profondeur avec ces cours et ces livres

Il n'y a pas de cours unique qui vous apprendra tout ce que vous devez savoir sur l'apprentissage en profondeur. Une approche qui peut être utile consiste à suivre quelques cours en même temps. Bien qu'il y ait des chevauchements dans le matériel, avoir plusieurs instructeurs expliquant les concepts de différentes manières peut être utile, en particulier pour les sujets complexes. Vous trouverez ci-dessous plusieurs cours que nous recommandons pour vous aider à démarrer. Vous pouvez explorer chacun d'eux ensemble, ou simplement choisir ceux qui vous semblent les plus pertinents.

N'oubliez pas que plus vous apprenez et renforcez ces concepts par la pratique, plus vous serez apte à créer et à évaluer vos propres modèles ML.

Suivez ces cours :

Le cours 6.S191 du MIT : Introduction à l'apprentissage en profondeur est un cours d'introduction à l'apprentissage en profondeur avec TensorFlow du MIT et également une merveilleuse ressource.

La spécialisation en apprentissage en profondeur d'Andrew Ng à Coursera enseigne également les bases de l'apprentissage en profondeur, y compris les réseaux convolutifs, les RNNS, les LSTM, etc. Cette spécialisation est conçue pour vous aider à appliquer un apprentissage approfondi dans votre travail et à bâtir une carrière dans l'IA.

MIT 6.S191 : Introduction à l'apprentissage en profondeur

Dans ce cours du MIT, vous acquerrez des connaissances de base sur les algorithmes d'apprentissage en profondeur et obtiendrez une expérience pratique dans la création de réseaux de neurones dans TensorFlow.

Spécialisation Apprentissage Profond

En cinq cours, vous apprendrez les bases de l'apprentissage en profondeur, comprendrez comment créer des réseaux de neurones et apprendrez à mener à bien des projets d'apprentissage automatique et à bâtir une carrière dans l'IA. Vous maîtriserez non seulement la théorie, mais vous verrez également comment elle est appliquée dans l'industrie.

⬆ Et ⬇ Lisez ces livres :

Pour compléter ce que vous apprenez dans les cours énumérés ci-dessus, nous vous recommandons d'approfondir en lisant les livres ci-dessous. Chaque livre est disponible en ligne et offre du matériel supplémentaire pour vous aider à pratiquer.

Vous pouvez commencer par lire Deep Learning: An MIT Press Book par Ian Goodfellow, Yoshua Bengio et Aaron Courville. Le manuel Deep Learning est une ressource avancée destinée à aider les élèves à approfondir leur compréhension. Le livre est accompagné d' un site Web , qui fournit une variété de documents supplémentaires, y compris des exercices, des diapositives de cours, des corrections d'erreurs et d'autres ressources pour vous donner une pratique pratique avec les concepts.

Vous pouvez également explorer le livre en ligne de Michael Nielsen Neural Networks and Deep Learning . Ce livre fournit un arrière-plan théorique sur les réseaux de neurones. Il n'utilise pas TensorFlow, mais constitue une excellente référence pour les étudiants souhaitant en savoir plus.

L'apprentissage en profondeur
de Ian Goodfellow, Yoshua Bengio et Aaron Courville

Ce manuel d'apprentissage en profondeur est une ressource destinée à aider les étudiants et les praticiens à entrer dans le domaine de l'apprentissage automatique en général, et de l'apprentissage en profondeur en particulier.

Réseaux de neurones et apprentissage en profondeur
de Michael Nielsen

Ce livre fournit un arrière-plan théorique sur les réseaux de neurones. Il n'utilise pas TensorFlow, mais constitue une excellente référence pour les étudiants souhaitant en savoir plus.

Étape 3 : Lire et mettre en œuvre des articles avec TensorFlow

À ce stade, nous vous recommandons de lire des articles et d'essayer les didacticiels avancés sur notre site Web, qui contiennent des implémentations de quelques publications bien connues. La meilleure façon d'apprendre une application avancée, la traduction automatique ou le sous- titrage d'images est de lire l'article lié au didacticiel. Au fur et à mesure que vous le parcourez, trouvez les sections pertinentes du code et utilisez-les pour vous aider à consolider votre compréhension.

,

Apprentissage automatique théorique et avancé avec TensorFlow

Avant de commencer avec les supports d'apprentissage ci-dessous, assurez-vous de :

  1. Compléter notre cursus Basics of machine learning with TensorFlow , ou avoir des connaissances équivalentes

  2. Avoir une expérience en développement logiciel, notamment en Python

Ce programme est un point de départ pour les personnes qui souhaitent :

  1. Améliorer leur compréhension du ML

  2. Commencez à comprendre et à mettre en œuvre des articles avec TensorFlow

Vous devez déjà avoir des connaissances de base sur le fonctionnement du ML ou avoir suivi les supports d'apprentissage du programme pour débutants Principes de base du machine learning avec TensorFlow avant de continuer. Le contenu ci-dessous est destiné à guider les apprenants vers un contenu d'apprentissage automatique plus théorique et avancé. Vous verrez que de nombreuses ressources utilisent TensorFlow, cependant, les connaissances sont transférables à d'autres frameworks ML.

Pour approfondir votre compréhension du ML, vous devez avoir une expérience en programmation Python ainsi qu'une formation en calcul, algèbre linéaire, probabilité et statistiques. Pour vous aider à approfondir vos connaissances en ML, nous avons répertorié un certain nombre de ressources et de cours recommandés par les universités, ainsi que quelques manuels.

Étape 1 : Rafraîchissez votre compréhension des concepts mathématiques

ML est une discipline lourde en mathématiques. Si vous envisagez de modifier des modèles ML ou d'en créer de nouveaux à partir de rien, il est important de se familiariser avec les concepts mathématiques sous-jacents. Vous n'avez pas besoin d'apprendre toutes les mathématiques à l'avance, mais à la place, vous pouvez rechercher des concepts avec lesquels vous n'êtes pas familiers au fur et à mesure que vous les rencontrez. Si cela fait un moment que vous n'avez pas suivi de cours de mathématiques, essayez de regarder les listes de lecture Essence of linear algebra et Essence of calculus de 3blue1brown pour vous rafraîchir la mémoire. Nous vous recommandons de continuer en suivant un cours dans une université ou en regardant des conférences en libre accès du MIT, telles que Linear Algebra ou Single Variable Calculus .

Essence de l'algèbre linéaire
par 3Blue1Brown

Une série de courtes vidéos visuelles de 3blue1brown qui expliquent la compréhension géométrique des matrices, des déterminants, des éléments propres et plus encore.

Essence de calcul
par 3Blue1Brown

Une série de courtes vidéos visuelles de 3blue1brown qui expliquent les principes fondamentaux du calcul d'une manière qui vous donne une solide compréhension des théorèmes fondamentaux, et pas seulement du fonctionnement des équations.

MIT 18.06 : Algèbre linéaire

Ce cours d'introduction du MIT couvre la théorie des matrices et l'algèbre linéaire. L'accent est mis sur des sujets qui seront utiles dans d'autres disciplines, y compris les systèmes d'équations, les espaces vectoriels, les déterminants, les valeurs propres, la similarité et les matrices définies positives.

MIT 18.01 : calcul à une seule variable

Ce cours d'introduction au calcul du MIT couvre la différenciation et l'intégration des fonctions d'une variable, avec des applications.

Étape 2 : Approfondissez votre compréhension de l'apprentissage en profondeur avec ces cours et ces livres

Il n'y a pas de cours unique qui vous apprendra tout ce que vous devez savoir sur l'apprentissage en profondeur. Une approche qui peut être utile consiste à suivre quelques cours en même temps. Bien qu'il y ait des chevauchements dans le matériel, avoir plusieurs instructeurs expliquant les concepts de différentes manières peut être utile, en particulier pour les sujets complexes. Vous trouverez ci-dessous plusieurs cours que nous recommandons pour vous aider à démarrer. Vous pouvez explorer chacun d'eux ensemble, ou simplement choisir ceux qui vous semblent les plus pertinents.

N'oubliez pas que plus vous apprenez et renforcez ces concepts par la pratique, plus vous serez apte à créer et à évaluer vos propres modèles ML.

Suivez ces cours :

Le cours 6.S191 du MIT : Introduction à l'apprentissage en profondeur est un cours d'introduction à l'apprentissage en profondeur avec TensorFlow du MIT et également une merveilleuse ressource.

La spécialisation en apprentissage en profondeur d'Andrew Ng à Coursera enseigne également les bases de l'apprentissage en profondeur, y compris les réseaux convolutifs, les RNNS, les LSTM, etc. Cette spécialisation est conçue pour vous aider à appliquer un apprentissage approfondi dans votre travail et à bâtir une carrière dans l'IA.

MIT 6.S191 : Introduction à l'apprentissage en profondeur

Dans ce cours du MIT, vous acquerrez des connaissances de base sur les algorithmes d'apprentissage en profondeur et obtiendrez une expérience pratique dans la création de réseaux de neurones dans TensorFlow.

Spécialisation Apprentissage Profond

En cinq cours, vous apprendrez les bases de l'apprentissage en profondeur, comprendrez comment créer des réseaux de neurones et apprendrez à mener à bien des projets d'apprentissage automatique et à bâtir une carrière dans l'IA. Vous maîtriserez non seulement la théorie, mais vous verrez également comment elle est appliquée dans l'industrie.

⬆ Et ⬇ Lisez ces livres :

Pour compléter ce que vous apprenez dans les cours énumérés ci-dessus, nous vous recommandons d'approfondir en lisant les livres ci-dessous. Chaque livre est disponible en ligne et offre du matériel supplémentaire pour vous aider à pratiquer.

Vous pouvez commencer par lire Deep Learning: An MIT Press Book par Ian Goodfellow, Yoshua Bengio et Aaron Courville. Le manuel Deep Learning est une ressource avancée destinée à aider les élèves à approfondir leur compréhension. Le livre est accompagné d' un site Web , qui fournit une variété de documents supplémentaires, y compris des exercices, des diapositives de cours, des corrections d'erreurs et d'autres ressources pour vous donner une pratique pratique avec les concepts.

Vous pouvez également explorer le livre en ligne de Michael Nielsen Neural Networks and Deep Learning . Ce livre fournit un arrière-plan théorique sur les réseaux de neurones. Il n'utilise pas TensorFlow, mais constitue une excellente référence pour les étudiants souhaitant en savoir plus.

L'apprentissage en profondeur
de Ian Goodfellow, Yoshua Bengio et Aaron Courville

Ce manuel d'apprentissage en profondeur est une ressource destinée à aider les étudiants et les praticiens à entrer dans le domaine de l'apprentissage automatique en général, et de l'apprentissage en profondeur en particulier.

Réseaux de neurones et apprentissage en profondeur
de Michael Nielsen

Ce livre fournit un arrière-plan théorique sur les réseaux de neurones. Il n'utilise pas TensorFlow, mais constitue une excellente référence pour les étudiants souhaitant en savoir plus.

Étape 3 : Lire et mettre en œuvre des articles avec TensorFlow

À ce stade, nous vous recommandons de lire des articles et d'essayer les didacticiels avancés sur notre site Web, qui contiennent des implémentations de quelques publications bien connues. La meilleure façon d'apprendre une application avancée, la traduction automatique ou le sous- titrage d'images est de lire l'article lié au didacticiel. Au fur et à mesure que vous le parcourez, trouvez les sections pertinentes du code et utilisez-les pour vous aider à consolider votre compréhension.