ML یک رشته ریاضی سنگین است. اگر قصد دارید مدل‌های ML را اصلاح کنید، یا مدل‌های جدید را از ابتدا بسازید، آشنایی با مفاهیم اساسی 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. اگر مدتی است که یک دوره ریاضی را گذرانده‌اید، سعی کنید فهرست‌های پخش Essence of algebra linear و Essence of calculus را از 3blue1brown برای تجدید نظر تماشا کنید. توصیه می‌کنیم با شرکت در کلاسی از دانشگاه یا تماشای سخنرانی‌های دسترسی آزاد از MIT، مانند جبر خطی یا حساب متغیر منفرد ، ادامه دهید.

هیچ دوره واحدی وجود ندارد که هر آنچه را که باید در مورد یادگیری عمیق بدانید را به شما آموزش دهد. یکی از رویکردهایی که ممکن است مفید باشد، گذراندن چند دوره به طور همزمان است. اگرچه در مطالب همپوشانی وجود خواهد داشت، داشتن چندین مربی که مفاهیم را به روش های مختلف توضیح می دهند می تواند مفید باشد، به خصوص برای موضوعات پیچیده. در زیر چندین دوره وجود دارد که ما برای کمک به شروع به شما توصیه می کنیم. شما می توانید هر یک از آنها را با هم کاوش کنید، یا فقط مواردی را انتخاب کنید که بیشتر به شما مربوط است.

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

MIT course 6.S191: Introduction to Deep Learning یک دوره مقدماتی برای یادگیری عمیق با TensorFlow از MIT و همچنین یک منبع فوق العاده است.

تخصص یادگیری عمیق Andrew Ng در Coursera همچنین پایه های یادگیری عمیق، از جمله شبکه های کانولوشن، RNNS، LSTM و موارد دیگر را آموزش می دهد. این تخصص برای کمک به شما در استفاده از یادگیری عمیق در کار خود و ایجاد یک حرفه در هوش مصنوعی طراحی شده است.

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

می‌توانید با خواندن کتاب یادگیری عمیق: کتاب مطبوعاتی MIT توسط یان گودفلو، یوشوا بنجیو و آرون کورویل شروع کنید. کتاب درسی Deep Learning منبعی پیشرفته است که برای کمک به دانش آموزان در درک عمیق خود در نظر گرفته شده است. این کتاب با یک وب سایت همراه است که انواع مختلفی از مواد تکمیلی، از جمله تمرین ها، اسلایدهای سخنرانی، تصحیح اشتباهات، و سایر منابع را ارائه می دهد تا به شما کمک کند تا مفاهیم را تمرین کنید.

همچنین می‌توانید کتاب آنلاین مایکل نیلسن، شبکه‌های عصبی و یادگیری عمیق را بررسی کنید. این کتاب پیشینه ای نظری در مورد شبکه های عصبی ارائه می دهد. از TensorFlow استفاده نمی کند، اما یک مرجع عالی برای دانش آموزانی است که علاقه مند به یادگیری بیشتر هستند.

در این مرحله، توصیه می کنیم مقالات را بخوانید و آموزش های پیشرفته را در وب سایت خود امتحان کنید، که شامل پیاده سازی چند نشریه معروف است. بهترین راه برای یادگیری یک برنامه کاربردی پیشرفته، ترجمه ماشینی ، یا شرح تصویر ، خواندن مقاله لینک شده از آموزش است. همانطور که روی آن کار می کنید، بخش های مربوط به کد را پیدا کنید و از آنها برای تقویت درک خود استفاده کنید.

ML یک رشته ریاضی سنگین است. اگر قصد دارید مدل‌های ML را اصلاح کنید، یا مدل‌های جدید را از ابتدا بسازید، آشنایی با مفاهیم اساسی 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. اگر مدتی است که یک دوره ریاضی را گذرانده‌اید، سعی کنید فهرست‌های پخش Essence of algebra linear و Essence of calculus را از 3blue1brown برای تجدید نظر تماشا کنید. توصیه می‌کنیم با شرکت در کلاسی از دانشگاه یا تماشای سخنرانی‌های دسترسی آزاد از MIT، مانند جبر خطی یا حساب متغیر منفرد ، ادامه دهید.

هیچ دوره واحدی وجود ندارد که هر آنچه را که باید در مورد یادگیری عمیق بدانید را به شما آموزش دهد. یکی از رویکردهایی که ممکن است مفید باشد، گذراندن چند دوره به طور همزمان است. اگرچه در مطالب همپوشانی وجود خواهد داشت، داشتن چندین مربی که مفاهیم را به روش های مختلف توضیح می دهند می تواند مفید باشد، به خصوص برای موضوعات پیچیده. در زیر چندین دوره وجود دارد که ما برای کمک به شروع به شما توصیه می کنیم. شما می توانید هر یک از آنها را با هم کاوش کنید، یا فقط مواردی را انتخاب کنید که بیشتر به شما مربوط است.

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

MIT course 6.S191: Introduction to Deep Learning یک دوره مقدماتی برای یادگیری عمیق با TensorFlow از MIT و همچنین یک منبع فوق العاده است.

تخصص یادگیری عمیق Andrew Ng در Coursera همچنین پایه های یادگیری عمیق، از جمله شبکه های کانولوشن، RNNS، LSTM و موارد دیگر را آموزش می دهد. این تخصص برای کمک به شما در استفاده از یادگیری عمیق در کار خود و ایجاد یک حرفه در هوش مصنوعی طراحی شده است.

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

می‌توانید با خواندن کتاب یادگیری عمیق: کتاب مطبوعاتی MIT توسط یان گودفلو، یوشوا بنجیو و آرون کورویل شروع کنید. کتاب درسی Deep Learning منبعی پیشرفته است که برای کمک به دانش آموزان در درک عمیق خود در نظر گرفته شده است. این کتاب با یک وب سایت همراه است که انواع مختلفی از مواد تکمیلی، از جمله تمرین ها، اسلایدهای سخنرانی، تصحیح اشتباهات، و سایر منابع را ارائه می دهد تا به شما کمک کند تا مفاهیم را تمرین کنید.

همچنین می‌توانید کتاب آنلاین مایکل نیلسن، شبکه‌های عصبی و یادگیری عمیق را بررسی کنید. این کتاب پیشینه ای نظری در مورد شبکه های عصبی ارائه می دهد. از TensorFlow استفاده نمی کند، اما یک مرجع عالی برای دانش آموزانی است که علاقه مند به یادگیری بیشتر هستند.

در این مرحله، توصیه می کنیم مقالات را بخوانید و آموزش های پیشرفته را در وب سایت خود امتحان کنید، که شامل پیاده سازی چند نشریه معروف است. بهترین راه برای یادگیری یک برنامه کاربردی پیشرفته، ترجمه ماشینی ، یا شرح تصویر ، خواندن مقاله لینک شده از آموزش است. همانطور که روی آن کار می کنید، بخش های مربوط به کد را پیدا کنید و از آنها برای تقویت درک خود استفاده کنید.