با مجموعهها، منظم بمانید
ذخیره و دستهبندی محتوا براساس اولویتهای شما.
در مسیر خود مسلط شوید
برای تبدیل شدن به یک متخصص در یادگیری ماشین، ابتدا به یک پایه قوی در چهار زمینه یادگیری نیاز دارید: کدنویسی، ریاضیات، تئوری ML، و نحوه ساخت پروژه ML خود از ابتدا تا انتها.
هنگام شروع مسیر آموزشی، مهم است که ابتدا نحوه یادگیری ML را بدانید. ما فرآیند یادگیری را به چهار حوزه از دانش تقسیم کرده‌ایم که هر حوزه یک قطعه اساسی از پازل ML را ارائه می‌کند. برای کمک به شما در مسیرتان، کتاب‌ها، ویدیوها و دوره‌های آنلاینی را شناسایی کرده‌ایم که توانایی‌های شما را ارتقا می‌دهند و شما را برای استفاده از ML برای پروژه‌هایتان آماده می‌کنند. با برنامه های درسی هدایت شده ما که برای افزایش دانش شما طراحی شده اند شروع کنید یا با کاوش در کتابخانه منابع ما مسیر خود را انتخاب کنید.
مهارت‌های کدنویسی: ساخت مدل‌های ML بسیار فراتر از دانستن مفاهیم ML است – برای انجام مدیریت داده‌ها، تنظیم پارامترها و تجزیه نتایج مورد نیاز برای آزمایش و بهینه‌سازی مدل شما نیاز به کدنویسی دارد.
ریاضیات و آمار: ML یک رشته ریاضی سنگین است، بنابراین اگر قصد دارید مدل‌های ML را اصلاح کنید یا مدل‌های جدید را از ابتدا بسازید، آشنایی با مفاهیم ریاضی اساسی برای این فرآیند بسیار مهم است.
نظریه ML: دانستن اصول اولیه تئوری ML به شما پایه ای می دهد تا بر روی آن بسازید و به شما کمک می کند در صورت بروز مشکل، عیب یابی کنید.
پروژه های خود را بسازید: دستیابی به تجربه در ML بهترین راه برای آزمایش دانش شما است، بنابراین از شیرجه رفتن در مراحل اولیه با یک کولاب ساده یا آموزش نترسید تا کمی تمرین کنید.
برنامه های درسی تنسورفلو
یادگیری را با یکی از برنامه های درسی هدایت شده ما شامل دوره ها، کتاب ها و ویدیوهای توصیه شده شروع کنید.
با این مجموعه کتاب و دوره های آنلاین، اصول ML را بیاموزید. شما با ML آشنا می شوید و با استفاده از TensorFlow 2.0 از طریق یادگیری عمیق راهنمایی می شوید. سپس این فرصت را خواهید داشت که آنچه را که می آموزید با آموزش های مبتدی تمرین کنید.
هنگامی که اصول یادگیری ماشین را درک کردید، با غواصی در درک نظری شبکه های عصبی، یادگیری عمیق و بهبود دانش خود از مفاهیم اساسی ریاضی، توانایی های خود را به سطح بعدی ببرید.
اصول توسعه مدل های یادگیری ماشینی در جاوا اسکریپت و نحوه استقرار مستقیم در مرورگر را بیاموزید. شما یک مقدمه سطح بالا در مورد یادگیری عمیق و نحوه شروع با TensorFlow.js از طریق تمرینات عملی دریافت خواهید کرد.
منابع آموزشی
مسیر یادگیری خود را انتخاب کنید و کتاب‌ها، دوره‌ها، ویدیوها و تمرین‌هایی را که توسط تیم TensorFlow توصیه می‌شود برای آموزش پایه‌های ML به شما کاوش کنید.
کتاب ها
دوره های آنلاین
مفاهیم ریاضی
منابع TF
هوش مصنوعی انسان محور
کتاب ها
خواندن یکی از بهترین راه ها برای درک مبانی ML و یادگیری عمیق است. کتاب ها می توانند درک نظری لازم را برای کمک به شما در یادگیری سریع مفاهیم جدید در آینده به شما ارائه دهند.
این کتاب مقدماتی یک رویکرد کد اول را برای یادگیری نحوه پیاده‌سازی رایج‌ترین سناریوهای ML، مانند بینایی کامپیوتر، پردازش زبان طبیعی (NLP) و مدل‌سازی توالی برای زمان‌های اجرا وب، موبایل، ابری و تعبیه‌شده ارائه می‌کند.
این کتاب با استفاده از مثال‌های عینی، تئوری حداقل و دو چارچوب پایتون آماده تولید -Scikit-Learn و TensorFlow- به شما کمک می‌کند تا درک بصری از مفاهیم و ابزارهای ساخت سیستم‌های هوشمند به دست آورید.
این کتاب درسی یادگیری عمیق منبعی است که برای کمک به دانش‌آموزان و شاغلین در ورود به حوزه یادگیری ماشینی به طور کلی و یادگیری عمیق به طور خاص طراحی شده است.
این کتاب پیشینه ای نظری در مورد شبکه های عصبی ارائه می دهد. از TensorFlow استفاده نمی کند، اما یک مرجع عالی برای دانش آموزانی است که علاقه مند به یادگیری بیشتر هستند.
یک رویکرد انتها به انتها به اصول TensorFlow.js برای مخاطبان فنی گسترده. پس از اتمام این کتاب، می‌دانید که چگونه با TensorFlow.js سیستم‌های یادگیری عمیق آماده تولید بسازید و به کار بگیرید.
توسط Shanqing Cai، Stanley Bileschi، Eric D. Nielsen با Francois Chollet
این کتاب که توسط نویسندگان اصلی کتابخانه TensorFlow نوشته شده است، موارد استفاده جذاب و دستورالعمل های عمیق را برای برنامه های یادگیری عمیق در جاوا اسکریپت در مرورگر شما یا در Node ارائه می دهد.
گذراندن یک دوره آنلاین چند قسمتی راه خوبی برای یادگیری مفاهیم اولیه ML است. بسیاری از دوره ها توضیحات تصویری عالی و ابزارهای مورد نیاز برای شروع به کارگیری یادگیری ماشینی را مستقیماً در محل کار یا پروژه های شخصی شما ارائه می دهند.
این دوره که با همکاری تیم TensorFlow توسعه یافته است، بخشی از تخصص توسعه دهندگان TensorFlow است و بهترین روش ها برای استفاده از TensorFlow را به شما آموزش می دهد.
در این تخصص چهار دوره ای که توسط یک توسعه دهنده TensorFlow تدریس می شود، ابزارها و نرم افزارهایی را که توسعه دهندگان برای ساختن الگوریتم های مقیاس پذیر مبتنی بر هوش مصنوعی در TensorFlow استفاده می کنند را بررسی خواهید کرد.
دوره خرابی یادگیری ماشین با API های TensorFlow یک راهنمای خودآموز برای متخصصان مشتاق یادگیری ماشین است. این شامل مجموعه ای از درس ها با سخنرانی های ویدیویی، مطالعات موردی در دنیای واقعی و تمرینات عملی است.
در این دوره آموزشی از MIT، دانش پایه ای از الگوریتم های یادگیری عمیق به دست خواهید آورد و تجربه عملی در ساخت شبکه های عصبی در TensorFlow کسب خواهید کرد.
در پنج دوره آموزشی، پایه‌های یادگیری عمیق را یاد خواهید گرفت، نحوه ساخت شبکه‌های عصبی را می‌شناسید و یاد می‌گیرید که چگونه پروژه‌های یادگیری ماشینی موفق را رهبری کنید و شغلی در هوش مصنوعی ایجاد کنید. شما نه تنها به تئوری تسلط خواهید داشت، بلکه نحوه کاربرد آن در صنعت را نیز خواهید دید.
شما یاد گرفته اید که چگونه مدل ها را بسازید و آموزش دهید. اکنون یاد بگیرید که در سناریوهای مختلف استقرار پیمایش کنید و از داده ها به طور مؤثرتری برای آموزش مدل خود در این تخصصی چهار دوره استفاده کنید.
این تخصص برای مهندسان نرم افزار و ML با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.
بیاموزید که چگونه می توانید توجه بیشتری به تحقیقات پیشرفته خود داشته باشید، یا قدرت های فوق العاده ای را در برنامه های وب خود در کارهای آینده برای مشتریان خود یا شرکتی که با یادگیری ماشین مبتنی بر وب در آن کار می کنید، ارائه دهید.
نمای چشم پرنده از جبر خطی برای یادگیری ماشین. هرگز جبر خطی را نگرفته اید یا کمی در مورد اصول اولیه می دانید، و می خواهید در مورد نحوه استفاده از آن در ML احساس کنید؟ پس این ویدیو برای شماست.
این تخصص آنلاین از Coursera با هدف پر کردن شکاف ریاضیات و یادگیری ماشینی، افزایش سرعت شما در ریاضیات اساسی برای ایجاد درک بصری و مرتبط کردن آن با یادگیری ماشین و علم داده است.
3blue1brown حول ارائه ریاضیات با رویکرد تصویری اول متمرکز است. در این مجموعه ویدیویی با مفاهیم ریاضی، اصول اولیه شبکه عصبی و نحوه عملکرد آن را خواهید آموخت.
مجموعه ای از ویدئوهای کوتاه و تصویری از 3blue1brown که اصول حساب دیفرانسیل و انتگرال را به گونه ای توضیح می دهد که به شما درک قوی از قضایای بنیادی و نه فقط نحوه کار معادلات می دهد.
این دوره مقدماتی از MIT نظریه ماتریس و جبر خطی را پوشش می دهد. تاکید بر موضوعاتی است که در رشته های دیگر مفید خواهد بود، از جمله سیستم های معادلات، فضاهای برداری، تعیین کننده ها، مقادیر ویژه، شباهت ها و ماتریس های قطعی مثبت.
توسط گرت جیمز، دانیلا ویتن، ترور هستی و راب تیبشیرانی
این کتاب یک نمای کلی در دسترس از زمینه یادگیری آماری ارائه می دهد، یک مجموعه ابزار ضروری برای درک دنیای گسترده و پیچیده مجموعه داده های مورد نیاز برای آموزش مدل ها در یادگیری ماشین.
ما منابع مورد علاقه خود را جمع آوری کرده ایم تا به شما کمک کنیم با کتابخانه ها و چارچوب های TensorFlow مخصوص نیازهای خود شروع کنید. به بخش های ما برای TensorFlow.js ، TensorFlow Lite و TFX بروید.
همچنین می توانید راهنمای رسمی و آموزش های TensorFlow را برای آخرین نمونه ها و مجموعه ها مرور کنید.
این ML Tech Talk برای کسانی طراحی شده است که اصول یادگیری ماشینی را می‌دانند، اما نیاز به مروری بر اصول TensorFlow (تانسورها، متغیرها و گرادیان‌ها بدون استفاده از APIهای سطح بالا) دارند.
این گفتگوی فناوری ML شامل یادگیری بازنمایی، خانواده‌های شبکه‌های عصبی و کاربردهای آنها، اولین نگاهی به داخل یک شبکه عصبی عمیق، و بسیاری از نمونه‌ها و مفاهیم کد از TensorFlow است.
در این مجموعه، تیم TensorFlow با ویدیوهایی برای استفاده از APIهای سطح بالای TensorFlow، پردازش زبان طبیعی، یادگیری ساختار عصبی و غیره به بخش‌های مختلف تنسورفلو از منظر کدنویسی نگاه می‌کند.
بیاموزید که رایج‌ترین موارد استفاده از ML از جمله تجزیه و تحلیل چند رسانه‌ای، ساخت جستجوی هوشمند، تبدیل داده‌ها، و نحوه ایجاد سریع آنها را در برنامه خود با ابزارهای کاربرپسند پیدا کنید.
دانش کار عملی استفاده از ML در مرورگر را با جاوا اسکریپت دریافت کنید. نحوه نوشتن مدل های سفارشی از روی بوم خالی، آموزش مجدد مدل ها از طریق آموزش انتقال و تبدیل مدل ها از پایتون را بیاموزید.
یک رویکرد انتها به انتها به اصول TensorFlow.js برای مخاطبان فنی گسترده. پس از اتمام این کتاب، می‌دانید که چگونه با TensorFlow.js سیستم‌های یادگیری عمیق آماده تولید بسازید و به کار بگیرید.
یک سری 3 قسمتی که هم آموزش و هم اجرای مدل های یادگیری ماشینی را با TensorFlow.js بررسی می کند و به شما نشان می دهد که چگونه یک مدل یادگیری ماشین در جاوا اسکریپت ایجاد کنید که مستقیماً در مرورگر اجرا شود.
با وب ML با استفاده از TensorFlow.js از صفر به قهرمان بروید. با نحوه ایجاد برنامه های وب نسل بعدی آشنا شوید که می توانند در سمت مشتری اجرا شوند و تقریباً در هر دستگاهی مورد استفاده قرار گیرند.
این فهرست پخش ویدیویی بخشی از مجموعه بزرگ‌تر در زمینه یادگیری ماشین و ساخت شبکه‌های عصبی، بر TensorFlow.js، API اصلی و نحوه استفاده از کتابخانه جاوا اسکریپت برای آموزش و استقرار مدل‌های ML تمرکز دارد.
بیاموزید که چگونه اولین برنامه ML روی دستگاه خود را از طریق مسیرهای یادگیری بسازید که راهنماهای گام به گام برای موارد استفاده رایج از جمله طبقه بندی صوتی، جستجوی محصول بصری و موارد دیگر را ارائه می دهد.
در این دوره آموزشی که توسط تیم TensorFlow و Udacity به عنوان یک رویکرد عملی برای استقرار مدل برای توسعه دهندگان نرم افزار تهیه شده است، نحوه استقرار مدل های یادگیری عمیق را بر روی دستگاه های تلفن همراه و جاسازی شده با TensorFlow Lite بیاموزید.
نگاهی عملی به نحوه چیدمان یک سیستم خط لوله تولید با TFX داشته باشید. ما به سرعت همه چیز را از جمع آوری داده، ساخت مدل، تا استقرار و مدیریت پوشش خواهیم داد.
این کتاب شما را در مراحل خودکارسازی خط لوله ML با استفاده از اکوسیستم TensorFlow راهنمایی می کند. مثال‌های یادگیری ماشین در این کتاب بر اساس TensorFlow و Keras هستند، اما مفاهیم اصلی را می‌توان در هر چارچوبی اعمال کرد.
توانایی های مهندسی تولید خود را در این تخصص چهار دوره گسترش دهید. یاد بگیرید که چگونه سیستم های یکپارچه ای را که به طور مداوم در تولید کار می کنند، مفهوم سازی کنید، بسازید و نگهداری کنید.
هنگام طراحی یک مدل ML یا ساخت برنامههای مبتنی بر هوش مصنوعی، مهم است که افرادی که با محصول تعامل دارند و بهترین راه برای ایجاد عدالت، تفسیرپذیری، حریم خصوصی و امنیت در این سیستم‌های هوش مصنوعی در نظر گرفته شود.
این کتاب راهنمای گوگل به شما کمک می کند تا محصولات هوش مصنوعی انسان محور بسازید. این به شما امکان می دهد از اشتباهات رایج اجتناب کنید، تجربیات عالی طراحی کنید و در هنگام ساخت برنامه های مبتنی بر هوش مصنوعی روی افراد تمرکز کنید.
این ماژول یک ساعته در MLCC Google، یادگیرندگان را با انواع مختلفی از تعصبات انسانی که می‌توانند در داده‌های آموزشی آشکار شوند، و همچنین استراتژی‌هایی برای شناسایی و ارزیابی اثرات آنها آشنا می‌کند.
