Google is committed to advancing racial equity for Black communities. See how.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

یادگیری تئوری و پیشرفته ماشین با TensorFlow

قبل از شروع به یادگیری مطالب زیر ، حتماً:

  1. اصول برنامه درسی ما را با یادگیری ماشین با TensorFlow کامل کنید ، یا دانش معادل آن داشته باشید

  2. تجربه توسعه نرم افزار ، به ویژه در پایتون را داشته باشید

این برنامه درسی یک نقطه شروع برای افرادی است که مایلند:

  1. درک آنها از ML را بهبود ببخشید

  2. درک و اجرای مقالات را با TensorFlow آغاز کنید

شما باید دانش پس زمینه چگونه کار می کند یا ML مواد یادگیری در برنامه درسی مبتدی تکمیل مبانی یادگیری ماشین با TensorFlow قبل از ادامه این مطالب اضافی. محتوای زیر برای راهنمایی زبان آموزان به سمت محتوای تئوریک و پیشرفته یادگیری ماشین در نظر گرفته شده است. خواهید دید که بسیاری از منابع از TensorFlow استفاده می کنند ، با این وجود دانش قابل انتقال به سایر چارچوب های ML است.

برای درک بیشتر شما از ML ، باید تجربه برنامه نویسی پایتون و همچنین پیشینه حساب ، جبر خطی ، احتمال و آمار را داشته باشید. برای کمک به شما در تعمیق دانش ML ، تعدادی از منابع و دوره های توصیه شده از دانشگاه ها و همچنین چند کتاب درسی را لیست کرده ایم.

مرحله 1: درک خود را از مفاهیم ریاضی تازه کنید

ML یک رشته سنگین ریاضی است. اگر قصد اصلاح مدل های ML یا ساخت مدل های جدید از ابتدا را دارید ، آشنایی با مفاهیم زیربنایی ریاضی مهم است. لازم نیست تمام ریاضیات را از قبل یاد بگیرید ، اما در عوض می توانید مفاهیمی را که با آنها آشنا نیستید جستجو کنید و با آنها مواجه شوید. اگر مدتی از گذراندن دوره ریاضی نگذشته است ، سعی کنید لیست های بازیابی Essence of algebra linear و Essence of calculus را از 3blue1brown تماشا کنید و برای تازه سازی مجدد آن تلاش کنید. ما به شما توصیه می کنیم که با گذراندن کلاس از دانشگاه یا مشاهده سخنرانی های دسترسی آزاد از دانشگاه MIT مانندجبر خطی یا حساب متغیر منفرد ادامه دهید .

مفاهیم ریاضی
ذات جبر خطی توسط 3blue1brown

مجموعه ای از فیلم های کوتاه و بصری از 3blue1brown که درک هندسی ماتریس ها ، عوامل تعیین کننده ، مواد ویژه و موارد دیگر را توضیح می دهد.

مفاهیم ریاضی
ذات حساب توسط 3blue1brown

مجموعه ای از فیلم های کوتاه و بصری از 3blue1brown که اصول حساب را با تأکید بر قضیه های اساسی توضیح می دهد.

مفاهیم ریاضی
دوره MIT 18.06: جبر خطی

این دوره مقدماتی از MIT نظریه ماتریس و جبر خطی را پوشش می دهد.

مفاهیم ریاضی
دوره MIT 18.01: حساب متغیر منفرد

این دوره حساب مقدماتی از MIT تمایز و ادغام توابع یک متغیر را با برنامه ها پوشش می دهد.

مرحله 2: با این دوره ها و کتاب ها درک خود را از یادگیری عمیق عمیق کنید

هیچ دوره واحدی وجود ندارد که هر آنچه در مورد یادگیری عمیق باید بدانید را به شما آموزش دهد. روشی که می تواند مفید باشد ، گذراندن همزمان چند دوره است. اگرچه همپوشانی در مطالب وجود خواهد داشت ، اما داشتن چندین مربی که مفاهیم را به روشهای مختلف توضیح دهند ، می تواند مفید باشد ، خصوصاً برای موضوعات پیچیده. در زیر چندین دوره وجود دارد که ما برای کمک به شما در شروع کار توصیه می کنیم. می توانید هرکدام را با هم کاوش کنید ، یا فقط مواردی را انتخاب کنید که بیشترین ارتباط را با شما دارند.

به یاد داشته باشید ، هرچه بیشتر یاد بگیرید و این مفاهیم را از طریق تمرین تقویت کنید ، مهارت بیشتری در ساخت و ارزیابی مدل های ML خود خواهید داشت.

در این دوره ها شرکت کنید:

CS231n: شبکه های عصبی Convolutional برای شناخت بصری مجموعه ای از فیلم های سخنرانی و اسلایدهای استنفورد در مورد جزئیات معماری یادگیری عمیق است ، با تمرکز بر یادگیری مدل های پایان به پایان برای کارهای بینایی کامپیوتر این یک دوره عالی و یک مکان عالی برای شروع است. دوره MIT 6.S191: مقدمه ای بر یادگیری عمیق یک دوره مقدماتی کوتاه تر در مورد یادگیری عمیق با TensorFlow از MIT است و همچنین یک منبع فوق العاده است. همچنین می توانید مجموعه دوره ها و سخنرانی های MIT Deep Learning درباره یادگیری عمیق ، یادگیری تقویت عمیق ، وسایل نقلیه مستقل و هوش مصنوعی را که توسط لکس فریدمن تدریس می شود ، امتحان کنید. "

سرانجام ، تخصص تخصصی یادگیری عمیق Andrew Ng در Coursera دارای پنج دوره است که در آن شما می توانید پایه های یادگیری عمیق را بیاموزید ، از جمله شبکه های Convolutional ، RNNS ، LSTM و ... این تخصص برای کمک به شما در استفاده از یادگیری عمیق در کار و ایجاد حرفه ای در هوش مصنوعی طراحی شده است.

دوره های آنلاین متوسط
CS231n: شبکه های عصبی کانولوشن برای شناخت بینایی

این دوره با تمرکز بر یادگیری مدل های پایان به پایان برای کارهای بینایی رایانه ، به ویژه طبقه بندی تصویر ، یک فرو رفتن عمیق در جزئیات معماری یادگیری عمیق است. فیلم های سخنرانی ، اسلایدها و یادداشت های درسی گذشته مربوط به تکرارهای قبلی دوره را کاوش کنید.

دوره های آنلاین متوسط
دوره MIT 6.S191: مقدمه ای بر یادگیری عمیق

در این دوره از MIT ، شما دانش بنیادی الگوریتم های یادگیری عمیق را کسب خواهید کرد و در ساخت شبکه های عصبی در TensorFlow تجربه عملی خواهید داشت.

دوره های آنلاین متوسط
MIT یادگیری عمیق

مجموعه ای از دوره ها و سخنرانی های MIT در مورد یادگیری عمیق ، یادگیری تقویت عمیق ، وسایل نقلیه مستقل و هوش مصنوعی که توسط لکس فریدمن تدریس می شود.

دوره های آنلاین متوسط
deeplearning.ai: تخصص یادگیری عمیق

در پنج دوره ، شما با مبانی Deep Learning ، و نحوه ساخت شبکه های عصبی آشنا خواهید شد.

books و ⬇ این کتاب ها را بخوانید:

برای تکمیل آنچه در دوره های ذکر شده در بالا یاد می گیرید ، توصیه می کنیم با مطالعه کتاب های زیر ، غوطه ورتر شوید. هر کتاب به صورت آنلاین در دسترس است و مطالب تکمیلی برای کمک به شما در تمرین ارائه می دهد.

می توانید با مطالعه Deep Learning: کتاب MIT Press توسط ایان گودفلو ، یوشوا بنگیو و آرون کورویل شروع کنید. کتاب درسی عمیق یادگیری یک منبع پیشرفته است که برای کمک به دانش آموزان در تعمیق درک آنها کمک می کند. این کتاب با یک وب سایت همراه است ، که انواع مختلفی از مواد تکمیلی از جمله تمرینات ، اسلایدهای سخنرانی ، اصلاح اشتباهات و منابع دیگر را برای تمرین با مفاهیم فراهم می کند.

همچنین می توانید کتاب آنلاین مایکل نیلسن ، شبکه های عصبی و یادگیری عمیق را جستجو کنید . این کتاب زمینه نظری در مورد شبکه های عصبی را فراهم می کند. از TensorFlow استفاده نمی کند ، اما یک مرجع عالی برای دانش آموزان علاقه مند به یادگیری بیشتر است.

کتابها
یادگیری عمیق: کتاب مطبوعاتی MIT ، نوشته یان گودفلو ، یوشوا بنگیو و آرون کورویل

این کتاب درسی عمیق یادگیری منبعی است که با هدف تأکید بر یادگیری عمیق ، برای کمک به دانش آموزان و پزشکان در زمینه یادگیری ماشین به کار می رود.

کتابها
شبکه های عصبی و یادگیری عمیق ، تالیف مایکل نیلسن

این کتاب زمینه نظری در مورد شبکه های عصبی را فراهم می کند. از TensorFlow استفاده نمی کند ، اما یک مرجع عالی است.

مرحله 3: مقالات را با TensorFlow بخوانید و پیاده سازی کنید

در این مرحله ، ما توصیه می کنیم مقالات را بخوانید و آموزشهای پیشرفته وب سایت خود را که حاوی پیاده سازی چند نشریه شناخته شده است ، امتحان کنید. بهترین راه برای یادگیری یک برنامه پیشرفته ، ترجمه ماشینی یا عنوان عکس ، خواندن مقاله پیوند داده شده از آموزش است. همانطور که در حال کار بر روی آن هستید ، بخشهای مربوط به کد را پیدا کرده و از آنها برای تقویت درک خود استفاده کنید.