Save the date! Google I/O returns May 18-20 Register now
Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Theoretisches und fortgeschrittenes maschinelles Lernen mit TensorFlow

Stellen Sie Folgendes sicher, bevor Sie mit den folgenden Lernmaterialien beginnen:

  1. Vervollständigen Sie unseren Lehrplan Grundlagen des maschinellen Lernens mit TensorFlow oder verfügen Sie über gleichwertige Kenntnisse

  2. Erfahrung in der Softwareentwicklung, insbesondere in Python

Dieser Lehrplan ist ein Ausgangspunkt für Menschen, die:

  1. Verbessern Sie ihr Verständnis von ML

  2. Beginnen Sie mit dem Verstehen und Implementieren von Papieren mit TensorFlow

Sie sollten bereits Hintergrundwissen über die Funktionsweise von ML haben oder die Lernmaterialien im Anfängerlehrplan Grundlagen des maschinellen Lernens mit TensorFlow ausgefüllt haben, bevor Sie mit diesen zusätzlichen Inhalten fortfahren. Der folgende Inhalt soll die Lernenden zu theoretischeren und fortgeschritteneren Inhalten des maschinellen Lernens führen. Sie werden sehen, dass viele der Ressourcen TensorFlow verwenden. Das Wissen ist jedoch auf andere ML-Frameworks übertragbar.

Um Ihr Verständnis von ML zu verbessern, sollten Sie über Python-Programmiererfahrung sowie über Kenntnisse in Analysis, linearer Algebra, Wahrscheinlichkeit und Statistik verfügen. Um Ihnen zu helfen, Ihr ML-Wissen zu vertiefen, haben wir eine Reihe empfohlener Ressourcen und Kurse von Universitäten sowie einige Lehrbücher aufgelistet.

Schritt 1: Aktualisieren Sie Ihr Verständnis der mathematischen Konzepte

ML ist eine mathematisch schwere Disziplin. Wenn Sie vorhaben, ML-Modelle zu ändern oder neue Modelle von Grund auf neu zu erstellen, ist es wichtig, mit den zugrunde liegenden mathematischen Konzepten vertraut zu sein. Sie müssen nicht die ganze Mathematik im Voraus lernen, sondern können Konzepte nachschlagen, mit denen Sie nicht vertraut sind, wenn Sie auf sie stoßen. Wenn es eine Weile her ist, dass Sie einen Mathematikkurs besucht haben, schauen Sie sich zur Auffrischung die Essence of Linear Algebra und die Essence of Calculus Playlists von 3blue1brown an. Wir empfehlen Ihnen, weiterhin eine Klasse an einer Universität zu besuchen oder Open-Access-Vorlesungen des MIT wieLineare Algebra oder Einzelvariablenrechnung anzusehen .

Mathematische Konzepte
Essenz der linearen Algebra von 3blue1brown

Eine Reihe kurzer visueller Videos von 3blue1brown, die das geometrische Verständnis von Matrizen, Determinanten, Eigenstoffen und vielem mehr erklären.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
Essenz des Kalküls von 3blue1brown

Eine Reihe kurzer, visueller Videos von 3blue1brown, die die Grundlagen der Analysis mit Schwerpunkt auf fundamentalen Theoremen erläutern.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
MIT-Kurs 18.06: Lineare Algebra

Dieser Einführungskurs vom MIT behandelt Matrixtheorie und lineare Algebra.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
MIT-Kurs 18.01: Einzelvariablenrechnung

Dieser Einführungskurs in das Kalkül des MIT behandelt die Differenzierung und Integration von Funktionen einer Variablen mit Anwendungen.

Kostenlos
Mehr erfahren  

Schritt 2: Vertiefen Sie Ihr Verständnis für tiefes Lernen mit diesen Kursen und Büchern

Es gibt keinen einzigen Kurs, der Ihnen alles beibringt, was Sie über tiefes Lernen wissen müssen. Ein Ansatz, der hilfreich sein kann, besteht darin, einige Kurse gleichzeitig zu belegen. Obwohl sich das Material überschneidet, kann es hilfreich sein, wenn mehrere Kursleiter Konzepte auf unterschiedliche Weise erklären, insbesondere bei komplexen Themen. Im Folgenden finden Sie einige Kurse, die wir empfehlen, um Ihnen den Einstieg zu erleichtern. Sie können jeden von ihnen gemeinsam erkunden oder einfach diejenigen auswählen, die für Sie am relevantesten sind.

Denken Sie daran, je mehr Sie lernen und diese Konzepte durch Übung verstärken, desto besser können Sie Ihre eigenen ML-Modelle erstellen und bewerten.

Nehmen Sie an folgenden Kursen teil:

CS231n: Convolutional Neural Networks for Visual Recognition ist eine Sammlung von Vorlesungsvideos und Folien von Stanford zu Details von Deep-Learning-Architekturen mit dem Schwerpunkt auf dem Erlernen von End-to-End-Modellen für Computer-Vision-Aufgaben. Dies ist ein ausgezeichneter Kurs und ein großartiger Ort, um zu beginnen. Der MIT-Kurs 6.S191: Einführung in Deep Learning ist ein kürzerer Einführungskurs in Deep Learning mit TensorFlow vom MIT und auch eine wunderbare Ressource. Sie können auch die von Lex Fridman unterrichtete MIT Deep Learning- Sammlung von Kursen und Vorlesungen zu Deep Learning, Deep Enforcement Learning, autonomen Fahrzeugen und künstlicher Intelligenz ausprobieren . "

Schließlich bietet Andrew Ngs wegweisende Deep Learning-Spezialisierung bei Coursera fünf Kurse, in denen Sie die Grundlagen des Deep Learning lernen, darunter Faltungsnetzwerke, RNNS, LSTMs und mehr. Diese Spezialisierung soll Ihnen helfen, tiefes Lernen in Ihrer Arbeit anzuwenden und eine Karriere in der KI aufzubauen.

Online-Kurse für Fortgeschrittene
CS231n: Faltungsneurale Netze zur visuellen Erkennung

Dieser Kurs befasst sich eingehend mit den Details von Deep-Learning-Architekturen und konzentriert sich auf das Erlernen von End-to-End-Modellen für Computer-Vision-Aufgaben, insbesondere die Bildklassifizierung. Sehen Sie sich Vorlesungsvideos, Folien und frühere Lehrplannotizen aus früheren Iterationen des Kurses an.

Kostenlos
Mehr erfahren  
Online-Kurse für Fortgeschrittene
MIT-Kurs 6.S191: Einführung in Deep Learning

In diesem Kurs vom MIT erwerben Sie grundlegende Kenntnisse über Deep-Learning-Algorithmen und praktische Erfahrungen beim Aufbau neuronaler Netze in TensorFlow.

Kostenlos
Mehr erfahren  
Online-Fortgeschrittenenkurse
MIT Deep Learning

Eine Sammlung von MIT-Kursen und -Vorträgen zu Deep Learning, Deep Reinforcement Learning, autonomen Fahrzeugen und künstlicher Intelligenz, die von Lex Fridman unterrichtet werden.

Kostenlos
Mehr erfahren  
Online-Kurse für Fortgeschrittene
deeplearning.ai: Deep Learning-Spezialisierung

In fünf Kursen lernen Sie die Grundlagen des Deep Learning und den Aufbau neuronaler Netze.

⬆ Und ⬇ Lesen Sie diese Bücher:

Um das zu ergänzen, was Sie in den oben aufgeführten Kursen lernen, empfehlen wir Ihnen, tiefer zu tauchen, indem Sie die folgenden Bücher lesen. Jedes Buch ist online verfügbar und bietet ergänzende Materialien zum Üben.

Sie können beginnen, indem Sie Deep Learning lesen : Ein MIT-Pressebuch von Ian Goodfellow, Yoshua Bengio und Aaron Courville. Das Deep Learning-Lehrbuch ist eine erweiterte Ressource, die den Schülern helfen soll, ihr Verständnis zu vertiefen. Das Buch wird von einer Website begleitet , die eine Vielzahl von ergänzenden Materialien enthält, darunter Übungen, Folien, Korrekturen von Fehlern und andere Ressourcen, mit denen Sie die Konzepte üben können.

Sie können auch Michael Nielsens Online-Buch Neural Networks and Deep Learning lesen . Dieses Buch bietet einen theoretischen Hintergrund zu neuronalen Netzen. TensorFlow wird nicht verwendet, ist jedoch eine hervorragende Referenz für Schüler, die mehr erfahren möchten.

Bücher
Deep Learning: Ein MIT-Pressebuch von Ian Goodfellow, Yoshua Bengio und Aaron Courville

Dieses Deep Learning-Lehrbuch soll Schülern und Praktikern den Einstieg in das maschinelle Lernen erleichtern, wobei der Schwerpunkt auf Deep Learning liegt.

Bücher
Neuronale Netze und tiefes Lernen, von Michael Nielsen

Dieses Buch bietet einen theoretischen Hintergrund zu neuronalen Netzen. TensorFlow wird nicht verwendet, ist aber eine gute Referenz.

Schritt 3: Lesen und implementieren Sie Papiere mit TensorFlow

An dieser Stelle empfehlen wir, Artikel zu lesen und die erweiterten Tutorials auf unserer Website auszuprobieren, die Implementierungen einiger bekannter Veröffentlichungen enthalten. Der beste Weg, um eine erweiterte Anwendung, maschinelle Übersetzung oder Bildunterschrift zu erlernen, ist das Lesen des im Lernprogramm verlinkten Papiers. Suchen Sie während der Arbeit die relevanten Abschnitte des Codes und verwenden Sie sie, um Ihr Verständnis zu festigen.