TensorFlow 機器學習理論與進階知識
開始使用下方的學習教材之前，請確認你符合下列條件：
-
完成我們的 TensorFlow 機器學習基本知識課程，或是具備同等知識
-
具備軟體開發經驗，特別是 Python 開發經驗
如果你想達成下列目標，就很適合從本課程著手：
-
增進對機器學習的理解
-
著手瞭解論文資料並使用 TensorFlow 實作相關程式碼
在繼續學習其他內容之前，你應該已經具備機器學習運作方式的背景知識，或已完成初學者課程「TensorFlow 機器學習基本知識」中的學習教材。以下內容旨在引導學習者認識更多理論和進階機器學習內容。你會發現許多資源都使用 TensorFlow，但這項知識也可以轉移到其他機器學習架構。
為了更深入瞭解機器學習，你應該具備 Python 程式設計經驗，以及微積分、線性代數、機率和統計方面的背景知識。為了協助加深你對機器學習的瞭解，我們列出了一些推薦的資源和大學課程，以及幾本教科書。
步驟 1：複習一下數學概念
機器學習是一門與數學息息相關的學科，如果你打算修改機器學習模型或從頭打造全新模型，那麼過程中勢必得掌握基礎數學概念。但也不必一口氣先學完所有的數學，只要在遇到不熟悉的概念時查些資料即可。如果你已經很久沒上數學課了，可以考慮觀看 3blue1brown 的 Essence of linear algebra 和 Essence of calculus 播放清單，快速複習一下。想更進階的話，建議修習大學課程，或觀看 MIT 的開放式講座，例如 Linear Algebra 或 Single Variable Calculus。
步驟 2：透過這些課程和書籍，加深你對深度學習的理解
並沒有哪門課程可以一次教完深度學習的所有知識。可能比較有用的做法是同時學習幾門課程。雖然教材會有所重疊，但讓多位講師以不同的方式講解概念可能會有幫助，尤其是較為複雜的主題。以下是我們推薦的新手入門課程。你可以逐一探索所有主題，也可以只選擇與自身最相關的主題。 \切記，學得越多，並藉由練習來強化這些概念，你就能越熟練地打造、評估自己的機器學習模型。
參加以下課程：
CS231n: Convolutional Neural Networks for Visual Recognition 收錄了史丹佛大學有關深度學習架構細節的授課影片和簡報，主軸為學習電腦視覺任務的端對端模型。這是一門很棒的課程，也是絕佳的起點。MIT course 6.S191: Introduction to Deep Learning 是麻省理工學院 (MIT) 提供的 TensorFlow 深度學習入門課程，長度較短，也是很棒的資源。你也可以試試從 MIT Deep Learning 著手，當中收錄了 Lex Fridman 所講授的課程，內容涵蓋深度學習、深度強化學習、自動駕駛車輛和人工智慧。
最後，Andrew Ng 在 Coursera 提供的開創性 Deep Learning Specialization 學程包含五門課程，可學到深度學習的基礎，包括卷積網路、循環類神經網路 (RNN)、長短期記憶模型 (LSTM) 等等。這項專業認證旨在協助你將深度學習應用於工作，並開創 AI 事業。
本課程深入探討了深度學習架構的細節，主軸為學習電腦視覺任務 (特別是圖片分類) 的端對端模型。瀏覽本課程先前授課內容的講座影片、投影片和課程大綱。
在這門 MIT 課程中，你可以從中獲得深度學習演算法基礎知識，以及使用 TensorFlow 打造類神經網路的實務經驗。
⬆ 和 ⬇ 閱讀這些書籍：
為補充在上述課程中學到的內容，建議閱讀以下書籍，學習更深入的知識。每本書均可在線上取得，並提供補充教材來幫助你練習。
可以先閱讀 Ian Goodfellow、Yoshua Bengio、Aaron Courville 所著的《Deep Learning: An MIT Press Book》。本深度學習教科書是幫助學生加深理解的進階資源。本書有一個搭配的網站，提供了各種補充教材，包括練習題、講義投影片、錯誤更正，以及其他資源，讓你動手實作這些概念。
你也可以參閱 Michael Nielsen 的線上書籍《Neural Networks and Deep Learning》。本書提供了有關類神經網路的理論背景。書中未使用到 TensorFlow，但對有興趣瞭解詳情的學生來說是很棒的參考資料。
本深度學習教科書是旨在幫助學生和從業人員進入機器學習領域 (側重深度學習) 的資源。
本書提供了有關類神經網路的理論背景。書中未使用到 TensorFlow，但仍是很棒的參考資料。