ML Community Day is November 9! Join us for updates from TensorFlow, JAX, and more Learn more

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

You should already have background knowledge of how ML works or completed the learning materials in the beginner curriculum Basics of machine learning with TensorFlow before continuing. The below content is intended to guide learners to more theoretical and advanced machine learning content. You will see that many of the resources use TensorFlow, however, the knowledge is transferable to other ML frameworks.

To further your understanding of ML, you should have Python programming experience as well as a background in calculus, linear algebra, probability, and statistics. To help you deepen your ML knowledge, we have listed a number of recommended resources and courses from universities, as well as a couple of textbooks.

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.

Essence of Linear Algebra
by 3Blue1Brown

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

Essence of Calculus
by 3Blue1Brown

Série de vídeos curtos da 3blue1brown que explica os fundamentos do cálculo para você entender melhor os principais teoremas, e não só como as equações funcionam.

MIT 18.06: Linear Algebra

Este curso introdutório do MIT aborda a teoria das matrizes e a álgebra linear. O currículo enfatiza assuntos que serão úteis em outras disciplinas, incluindo sistemas de equações, espaços de vetor, determinantes, valores eigen, semelhança e matrizes definitivas positivas.

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

Etapa 2: aumente 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 pela prática, mais competência terá para criar e avaliar seus modelos de ML.

Faça estes cursos:

MIT course 6.S191: Introduction to Deep Learning is an introductory course for Deep Learning with TensorFlow from MIT and also a wonderful resource.

Andrew Ng's Deep Learning Specialization at Coursera also teaches the foundations of deep learning, including convolutional networks, RNNS, LSTMs, and more. This specialization is designed to help you apply deep learning in your work, and to build a career in AI.

MIT 6.S191: Introduction to Deep Learning

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

Deep Learning Specialization

Em cinco cursos, você aprenderá os fundamentos do aprendizado profundo, descobrirá como criar redes neurais e saberá como conduzir projetos bem-sucedidos de machine learning para desenvolver uma carreira na área de IA. Além dominar a teoria, você também verá como ela é usada no setor.

⬆ 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.

Deep Learning
by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

Este manual de aprendizado profundo é um recurso criado para ajudar estudantes e profissionais a entrar no campo geral do machine learning e conhecer em detalhes o aprendizado profundo.

Gratuito
View book   
Neural Networks and Deep Learning
by Michael Nielsen

Este livro mostra o contexto teórico das redes neurais. A publicação não aborda o TensorFlow, mas é uma ótima referência para estudantes interessados em saber mais.

Gratuito
View book   

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

At this point, we recommend reading papers and trying the advanced tutorials on our website, which contain implementations of a few well known publications. The best way to learn an advanced application, machine translation, or image captioning, is to read the paper linked from the tutorial. As you work through it, find the relevant sections of the code, and use them to help solidify your understanding.