Google is committed to advancing racial equity for Black communities. See how.

یادگیری نظری و پیشرفته ماشین با TensorFlow

قبل از شروع مطالب آموزشی زیر ، مطمئن شوید:

  1. تکمیل برنامه درسی ما مبانی یادگیری ماشین با TensorFlow ، و یا دانش معادل

  2. دارای تجربه توسعه نرم افزار ، به ویژه در Python

این برنامه درسی نقطه شروع افرادی است که مایلند:

  1. درک آنها از ML را افزایش دهید

  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 محتوای تئوریک و پیشرفته یادگیری ماشین است. خواهید دید که بسیاری از منابع از TensorFlow استفاده می کنند ، با این حال ، دانش به سایر چارچوب های ML قابل انتقال است.

برای درک بیشتر شما از ML ، باید تجربه برنامه نویسی پایتون و همچنین سابقه حسابداری ، جبر خطی ، احتمال و آمار را داشته باشید. برای کمک به عمق بخشیدن به دانش خود در زمینه ML ، ما تعدادی از منابع و دوره های توصیه شده از دانشگاه ها و همچنین چند کتاب درسی را فهرست کرده ایم.

مرحله 1: درک خود را از مفاهیم ریاضی تجدید کنید

ML یک رشته ریاضی سنگین است. اگر قصد دارید مدلهای ML را تغییر دهید یا مدلهای جدیدی را از ابتدا بسازید ، آشنایی با مفاهیم ریاضی اساسی مهم است. لازم نیست همه ریاضیات را از قبل یاد بگیرید ، اما در عوض می توانید مفاهیمی را که با آنها ناآشنا هستید با آنها روبرو شوید. اگر آن را به یک بوده است در حالی که از شما یک ریاضی دوره گرفته شده، سعی کنید به تماشای ذات جبر خطی و ذات حساب دیفرانسیل و انتگرال لیست پخش از 3blue1brown برای یادآوری. ما توصیه می کنیم که شما با در نظر گرفتن یک کلاس از دانشگاه، یا تماشای سخنرانی دسترسی آزاد از MIT، مانند ادامه جبر خطی و یا تنها متغیر حساب دیفرانسیل و انتگرال .

مفاهیم ریاضی
ماهیت جبر خطی توسط 3blue1brown

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

مفاهیم ریاضی
Essence of Calculus توسط 3blue1brown

مجموعه ای از ویدئوهای کوتاه و بصری از 3blue1brown که اصول حسابداری را با تأکید بر قضایای 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 واحد متغیر

این دوره حسابداری مقدماتی از MIT تمایز و ادغام توابع یک متغیر را با برنامه های کاربردی پوشش می دهد.

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

هیچ دوره واحدی وجود ندارد که همه آنچه را که باید درباره یادگیری عمیق بدانید به شما آموزش دهد. یکی از روش هایی که ممکن است مفید باشد ، گذراندن چند دوره به طور همزمان است. اگرچه مطالب همپوشانی خواهند داشت ، اما توضیح چندین مفاهیم به روش های مختلف می تواند مفید باشد ، به ویژه برای موضوعات پیچیده. در زیر چندین دوره وجود دارد که توصیه می کنیم برای شروع به شما کمک کنند. می توانید هر یک از آنها را با هم بررسی کنید ، یا فقط مواردی را انتخاب کنید که بیشتر به شما مربوط می شود.

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

این دوره ها را بگذرانید:

CS231n: شبکه های عصبی کانولوشن برای ویژوال تشخیص مجموعه ای از فیلم سخنرانی و اسلاید از دانشگاه استنفورد بر روی جزئیات معماری یادگیری عمیق است، با تمرکز بر یادگیری مدل پایان به پایان برای کارهای بینایی کامپیوتر. این یک دوره عالی و یک مکان عالی برای شروع است. MIT البته 6.S191: مقدمه ای بر یادگیری عمیق یک دوره کوتاه تر مقدماتی در یادگیری عمیق با TensorFlow از MIT و همچنین یک منبع فوق العاده است. شما همچنین می توانید سعی کنید MIT یادگیری عمیق مجموعه ای از دوره ها و سخنرانی بر یادگیری عمیق، یادگیری تقویتی عمیق، وسایل نقلیه مستقل، و هوش مصنوعی، آموزش داده شده توسط سافلکس فریدمن . "

در نهایت، منی اندرو پوکر است یادگیری عمیق تخصصی در کورسرا دارای پنج دوره است که در آن شما در یادگیری پایه های یادگیری عمیق، از جمله شبکه های کانولوشن، RNNS، LSTMs، و بیشتر. این تخصص برای کمک به شما در استفاده از یادگیری عمیق در کار شما و ایجاد یک حرفه در AI طراحی شده است.

دوره های آنلاین متوسط
CS231n: شبکه های عصبی تحولی برای تشخیص بصری

این دوره یک حرکت عمیق در جزئیات معماری یادگیری عمیق است ، با تمرکز بر یادگیری مدل های انتهای به پایان برای کارهای بینایی رایانه ، به ویژه طبقه بندی تصویر. فیلمهای سخنرانی ، اسلایدها و یادداشتهای درسی گذشته را از تکرارهای قبلی دوره کاوش کنید.

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

در این دوره از MIT ، شما دانش اساسی در مورد الگوریتم های یادگیری عمیق را بدست می آورید و تجربه عملی در ایجاد شبکه های عصبی در TensorFlow را کسب خواهید کرد.

دوره های آنلاین متوسط
یادگیری عمیق MIT

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 یادگیری عمیق و نحوه ایجاد شبکه های عصبی آشنا خواهید شد.

⬆ و these این کتابها را بخوانید:

برای تکمیل آموخته های خود در دوره های ذکر شده در بالا ، توصیه می کنیم با خواندن کتابهای زیر غواصی عمیق تری داشته باشید. هر کتاب به صورت آنلاین در دسترس است و مطالب تکمیلی را برای تمرین به شما ارائه می دهد.

شما می توانید با خواندن شروع در دانشگاه فنی ماساچوست کتاب مطبوعات: یادگیری عمیق توسط Ian GOODFELLOW، Yoshua Bengio و هارون Courville. کتاب درسی Deep Learning یک منبع پیشرفته است که به دانش آموزان کمک می کند تا درک خود را عمیق تر کنند. این کتاب توسط همراه یک وب سایت ، فراهم می کند که انواع مواد تکمیلی، از جمله تمرینات، سخنرانی اسلاید، اصلاحات از اشتباهات، و منابع دیگر به شما دست می دهد در عمل با مفاهیم.

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

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

این کتاب درسی یادگیری عمیق منبعی است که به منظور کمک به دانشجویان و متخصصان در زمینه یادگیری ماشینی ، با تأکید بر یادگیری عمیق ، در نظر گرفته شده است.

کتابها
شبکه های عصبی و یادگیری عمیق ، نوشته مایکل نیلسن

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

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

در این مرحله ، توصیه می کنیم مقاله بخوانید و آموزشهای پیشرفته در وب سایت خود را امتحان کنید ، که شامل پیاده سازی چند نشریه معروف است. بهترین راه برای یادگیری یک برنامه کاربردی پیشرفته، ترجمه ماشینی ، و یا توضیحات تصویر ، این است که خواندن این مقاله مرتبط از آموزش. در حین کار ، بخشهای مربوطه کد را پیدا کنید و از آنها برای تقویت درک خود استفاده کنید.