O Google está comprometido em promover a equidade racial para as comunidades negras. Veja como.

Machine learning teórico e avançado com o TensorFlow

Antes de começar a usar os materiais de aprendizado abaixo, não se esqueça dos seguintes requisitos:

  1. Concluir nosso currículo Noções básicas de machine learning com o TensorFlow ou ter conhecimento equivalente

  2. Ter experiência em desenvolvimento de software, principalmente em Python

Este currículo é um ponto de partida para as pessoas que buscam realizar as seguintes ações:

  1. Compreender ainda mais o ML

  2. Iniciar a compreensão e a implementação do conteúdo de artigos com o TensorFlow

Você precisa conhecer como o ML funciona ou ter concluído os materiais de aprendizado do currículo para iniciantes Noções básicas de machine learning com o TensorFlow antes de continuar com este conteúdo adicional. O conteúdo abaixo orienta os aprendizes a um conteúdo mais teórico e avançado de machine learning. Você verá que muitos dos recursos usam o TensorFlow. No entanto, o conhecimento pode ser transferido para outros frameworks de ML.

Para aprofundar seus conhecimentos de ML, é preciso ter experiência em programação no Python e em cálculo, álgebra linear, probabilidade e estatística. Para ajudar a aprofundar seu conhecimento em ML, listamos uma série de recursos e cursos recomendados de universidades, bem como alguns manuais.

Etapa 1: atualize sua compreensão dos conceitos matemáticos

O ML é uma disciplina com bastante matemática. Se você quiser modificar modelos de ML ou criar novos do zero, é importante conhecer os conceitos matemáticos básicos. Não é preciso aprender toda a matéria antecipadamente. Em vez disso, é possível pesquisar conceitos matemáticos que você ainda não conhece à medida que eles aparecem. Se já faz algum tempo que você participou de um curso de matemática, assista às playlists Essence of linear algebra e Essence of calculus da 3blue1brown para refrescar a memória. Recomendamos que você siga os estudos participando de disciplinas em uma universidade ou assistindo a aulas de acesso livre do MIT, como Linear Algebra ou Single Variable Calculus.

Conceitos matemáticos
Essence of Linear Algebra, da 3blue1brown

Série de vídeos curtos da 3blue1brown que explica matrizes a partir de uma perspectiva geométrica, determinantes, itens da biblioteca Eigen e muito mais.

Gratuitos
Saiba mais  
Conceitos matemáticos
Essence of Calculus, da 3blue1brown

Série de vídeos curtos da 3blue1brown que explica os fundamentos do cálculo com ênfase nos principais teoremas.

Gratuitos
Saiba mais  
Conceitos matemáticos
Curso do MIT 18.06: Linear Algebra

Este curso introdutório do MIT aborda a teoria das matrizes e a álgebra linear.

Gratuitos
Saiba mais  
Conceitos matemáticos
Curso do MIT 18.01: Single Variable Calculus

Este curso introdutório de cálculo do MIT aborda a diferenciação e a integração de funções de uma variável, além de como aplicar esse conhecimento

Gratuitos
Saiba mais  

Etapa 2: aprofunde sua compreensão do aprendizado profundo com estes cursos e livros

Só um curso não ensinará tudo o que você precisa saber sobre o aprendizado profundo. Uma estratégia útil talvez seja fazer alguns cursos ao mesmo tempo. Alguns tópicos se repetem no material, mas ver explicações de diferentes instrutores pode ser importante, especialmente no caso de conceitos complexos. Veja abaixo vários cursos recomendados para ajudar você a dar os primeiros passos. Acesse todos juntos ou escolha os que você considera mais relevantes.

Lembre-se: quanto mais você aprende e reforça esses conceitos por meio da prática, mais competência terá para criar e avaliar seus modelos de ML.

Faça estes cursos:

O curso CS231n: Convolutional Neural Networks for Visual Recognition é uma coleção de vídeos e slides de aulas da Universidade de Stanford que mostra os detalhes das arquiteturas de aprendizado profundo, com foco no aprendizado de modelos completos para tarefas de visão computacional. É um material excelente e uma ótima opção para começar. Outro recurso que vale a pena é o 6.S191: Introduction to Deep Learning, do MIT, um curso introdutório mais rápido sobre o aprendizado profundo com o TensorFlow. Veja também o conjunto de cursos e aulas do MIT sobre aprendizado profundo, aprendizado de reforço aprofundado, veículos autônomos e inteligência artificial com Lex Fridman.

Por fim, a inspiradora especialização de Andrew Ng em aprendizado profundo do Coursera tem cinco cursos para você aprender os fundamentos do conceito, incluindo redes convolucionais, RNNs, LSTMs e muito mais. Esta especialização foi criada para você aprender a usar o aprendizado profundo no seu trabalho e desenvolver uma carreira na área de IA.

Cursos on-line intermediários
CS231n: Convolutional Neural Networks for Visual Recognition

Este curso traz lições detalhadas sobre as arquiteturas de aprendizado profundo com um foco no ensino de modelos completos para tarefas de visão computacional, especialmente a classificação de imagens. Consulte os vídeos de aulas, os slides e as observações dos planos de ensino dos cursos anteriores.

Gratuitos
Saiba mais  
Cursos on-line intermediários
Curso do MIT 6.S191: Introduction to Deep Learning

Neste curso do MIT, você adquirirá conhecimentos básicos de algoritmos de aprendizado profundo e terá experiências práticas na criação de redes neurais no TensorFlow.

Gratuitos
Saiba mais  
Cursos on-line intermediários
Aprendizado profundo do MIT

Um conjunto de cursos e aulas do MIT sobre aprendizado profundo, aprendizado de reforço aprofundado, veículos autônomos e inteligência artificial ministrados por Lex Fridman.

Gratuitos
Saiba mais  
Cursos on-line intermediários
deeplearning.ai: especialização em aprendizado profundo

Em cinco cursos, você aprenderá os fundamentos do aprendizado profundo e descobrirá como criar redes neurais.

⬆ E ⬇ Leia estes livros:

Para complementar o que você aprenderá nos cursos acima, é recomendável se aprofundar ainda mais lendo os livros a seguir. Cada livro está disponível on-line e oferece materiais complementares para ajudar você a praticar.

Comece com a leitura de Deep Learning: An MIT Press Book, de Ian Goodfellow, Yoshua Bengio e Aaron Courville. O manual "The Deep Learning" é um recurso avançado para ajudar estudantes a aprofundar o conhecimento. O livro tem um site com vários materiais complementares, incluindo exercícios, slides de aulas, correções de erros e outros recursos para promover a prática dos conceitos.

Conheça também o livro eletrônico de Michael Nielsen, Neural Networks and Deep Learning, que traz conceitos teóricos sobre as redes neurais. A publicação não aborda o TensorFlow, mas é uma ótima referência para estudantes interessados em saber mais.

Livros
Deep Learning: An MIT Press Book, de Ian Goodfellow, Yoshua Bengio e Aaron Courville

Este manual de aprendizado profundo é um recurso criado para ajudar estudantes e profissionais a entrar no campo do machine learning, com ênfase no aprendizado profundo.

Livros
Neural Networks and Deep Learning, de Michael Nielsen

Este livro mostra o contexto teórico das redes neurais. A publicação não aborda o TensorFlow, mas é uma ótima referência.

Etapa 3: leia e implemente o conteúdo de artigos com o TensorFlow

Neste ponto, é recomendável ler artigos e conferir os tutoriais avançados no nosso site, que incluem implementações de algumas publicações conhecidas. A melhor maneira de aprender sobre um aplicativo avançado, tradução automática ou legendas de imagem, é ler o artigo vinculado do tutorial. Durante a leitura, encontre as seções relevantes do código e use-as para ajudar a consolidar seu conhecimento.