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

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:

  1. 完成我們的 TensorFlow 機器學習基本知識課程,或是具備同等知識

  2. 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:

  1. 增進對機器學習的理解

  2. 著手瞭解論文資料並使用 TensorFlow 實作相關程式碼

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.

步驟 1:複習數學概念

機器學習是一門大量運用數學的學科,如果你打算修改機器學習模型或從頭建構全新模型,熟悉基礎數學概念非常重要。但這並不表示你必須先成為數學全才;其實只要在遇到不熟悉的地方時查詢相關知識即可。如果你已經很久沒上數學課了,可以考慮觀看 3blue1brown 的 Essence of linear algebraEssence of calculus 播放清單,複習一下相關概念。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 AlgebraSingle Variable Calculus

Essence of Linear Algebra
by 3Blue1Brown

3blue1brown 提供的一系列視覺化短片,講解矩陣、行列式、本徵向量等的幾何意義。

Essence of Calculus
by 3Blue1Brown

3blue1brown 提供的一系列視覺化短片,以精彩明瞭的方式講解微積分的基本原理,讓觀眾深刻理解基本定理,而不只是簡單說明運算方式而已。

MIT 18.06: Linear Algebra

MIT 的這堂入門課程介紹了矩陣理論和線性代數。課程主軸著重於在其他學科中也很實用的主題,包括聯立方程式、向量空間、行列式、特徵值、相似性和正定矩陣。

MIT 18.01: Single Variable Calculus

MIT 的這堂初級微積分課程介紹了單變量函式的微分和積分,並輔以應用說明。

步驟 2:透過這些課程和書籍,加深你對深度學習的理解

關於深度學習這個領域,無法光用ㄧ堂課學到所有知識,因此同時修習幾門課程可能較有助益。雖然教材會出現重疊,但多位講師以不同方式詮釋概念卻可讓學生從中受惠,尤其是針對較為複雜的主題而言。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,你就能越熟練地建構、評估自己的機器學習模型。

參加以下課程:

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

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。

Deep Learning Specialization

在這五門課程中,你將學到深度學習的基礎、瞭解如何打造類神經網路,並學習如何成功帶領機器學習專案,以及開創 AI 事業。不僅可以掌握理論,還能一窺業界的應用情形。

⬆ 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,並附有補充教材可幫助練習。

建議先閱讀 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著的《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。

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

本深度學習教科書意在幫助學生和從業人員瞭解機器學習領域概論,特別是深度學習這個主題。

Neural Networks and Deep Learning
by Michael Nielsen

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。

步驟 3:閱讀論文並使用 TensorFlow 進行實作

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.