Have a question? Connect with the community at the TensorFlow Forum Visit Forum

Meistere deinen Weg

Um ein Experte für maschinelles Lernen zu werden, benötigen Sie zunächst eine solide Grundlage in vier Lernbereichen : Codierung, Mathematik, ML-Theorie und wie Sie Ihr eigenes ML-Projekt von Anfang bis Ende erstellen.

Beginnen Sie mit den kuratierten Lehrplänen von TensorFlow, um diese vier Fähigkeiten zu verbessern, oder wählen Sie Ihren eigenen Lernpfad, indem Sie unsere Ressourcenbibliothek unten erkunden.

Die vier Bereiche der maschinellen Lernerziehung

Wenn Sie Ihren Bildungsweg beginnen, ist es wichtig, zuerst zu verstehen, wie man ML lernt. Wir haben den Lernprozess in vier Wissensbereiche unterteilt, wobei jeder Bereich ein grundlegendes Teil des ML-Puzzles darstellt. Um Ihnen auf Ihrem Weg zu helfen, haben wir Bücher, Videos und Online-Kurse identifiziert, die Ihre Fähigkeiten verbessern und Sie darauf vorbereiten, ML für Ihre Projekte zu verwenden. Beginnen Sie mit unseren geführten Lehrplänen, die Ihr Wissen erweitern sollen, oder wählen Sie Ihren eigenen Weg, indem Sie unsere Ressourcenbibliothek erkunden.

  • Codierungsfähigkeiten: Das Erstellen von ML-Modellen beinhaltet viel mehr als nur das Kennen von ML-Konzepten - es erfordert Codierung, um die Datenverwaltung, Parameteroptimierung und Analyseergebnisse durchzuführen, die zum Testen und Optimieren Ihres Modells erforderlich sind.

  • Mathematik und Statistiken: ML ist eine mathematikintensive Disziplin. Wenn Sie also vorhaben, ML-Modelle zu modifizieren oder neue von Grund auf neu zu erstellen, ist die Kenntnis der zugrunde liegenden mathematischen Konzepte für den Prozess von entscheidender Bedeutung.

  • ML-Theorie: Wenn Sie die Grundlagen der ML-Theorie kennen, erhalten Sie eine Grundlage, auf der Sie aufbauen können, und können Fehler beheben, wenn etwas schief geht.

  • Erstellen Sie Ihre eigenen Projekte: Praktische Erfahrungen mit ML sind der beste Weg, um Ihr Wissen auf die Probe zu stellen. Haben Sie also keine Angst, frühzeitig mit einem einfachen Colab oder Tutorial einzutauchen , um etwas Übung zu bekommen.

TensorFlow-Lehrpläne

Beginnen Sie mit einem unserer geführten Lehrpläne mit empfohlenen Kursen, Büchern und Videos.

Für Anfänger
Grundlagen des maschinellen Lernens mit TensorFlow

Lernen Sie die Grundlagen von ML mit dieser Sammlung von Büchern und Online-Kursen. Sie werden mit Scikit-Learn in ML eingeführt, mit TensorFlow 2.0 durch tiefes Lernen geführt und haben dann die Möglichkeit, das Gelernte mit Anfänger-Tutorials zu üben.

Für Fortgeschrittene & Experten
Theoretisches und fortgeschrittenes maschinelles Lernen mit TensorFlow

Wenn Sie die Grundlagen des maschinellen Lernens verstanden haben, bringen Sie Ihre Fähigkeiten auf die nächste Stufe, indem Sie sich mit dem theoretischen Verständnis neuronaler Netze, dem tiefen Lernen und der Verbesserung Ihrer Kenntnisse der zugrunde liegenden mathematischen Konzepte befassen.

Für Anfänger
Spezialisierung: Grundlagen von TensorFlow für die JavaScript-Entwicklung

Erfahren Sie, wie Sie maschinelle Lernmodelle in JavaScript entwickeln und wie Sie sie direkt im Browser bereitstellen. Sie erhalten eine allgemeine Einführung in das tiefe Lernen und in die ersten Schritte mit TensorFlow.js durch praktische Übungen.

Bildungsressourcen

Wählen Sie Ihren eigenen Lernpfad und erkunden Sie Bücher, Kurse, Videos und Übungen, die vom TensorFlow-Team empfohlen werden, um Ihnen die Grundlagen von ML beizubringen.

Bücher

Lesen ist eine der besten Möglichkeiten, um die Grundlagen von ML und Deep Learning zu verstehen. Bücher können Ihnen das theoretische Verständnis vermitteln, das Sie benötigen, um in Zukunft schneller neue Konzepte zu erlernen.

Bücher
KI und maschinelles Lernen für Programmierer: Ein Leitfaden für Programmierer zur künstlichen Intelligenz von Laurence Moroney

Dieses Einführungsbuch bietet einen Code-First-Ansatz, um zu lernen, wie die gängigsten ML-Szenarien wie Computer Vision, Verarbeitung natürlicher Sprache (NLP) und Sequenzmodellierung für Web-, Mobil-, Cloud- und eingebettete Laufzeiten implementiert werden.

Bücher
Deep Learning mit Python von Francois Chollet

Dieses Buch ist eine praktische Einführung in Deep Learning mit Keras.

Bücher
Praktisches maschinelles Lernen mit Scikit-Learn, Keras und TensorFlow, 2. Auflage, von Aurélien Géron

Anhand konkreter Beispiele, minimaler Theorie und zweier produktionsbereiter Python-Frameworks - Scikit-Learn und TensorFlow - erhalten Sie in diesem Buch ein intuitives Verständnis der Konzepte und Tools zum Erstellen intelligenter Systeme.

Bücher
Deep Learning: Ein MIT-Pressebuch von Ian Goodfellow, Yoshua Bengio und Aaron Courville

Dieses Lehrbuch für tiefes Lernen ist eine Ressource, die Schülern und Praktikern helfen soll, in den Bereich des maschinellen Lernens im Allgemeinen und des tiefen Lernens im Besonderen einzusteigen.

Bücher
Neuronale Netze und tiefes Lernen, von Michael Nielsen

Dieses Buch bietet einen theoretischen Hintergrund zu neuronalen Netzen. TensorFlow wird nicht verwendet, ist jedoch eine hervorragende Referenz für Schüler, die mehr erfahren möchten.

Bücher
Deep Learning mit JavaScript von Shanqing Cai, Stanley Bileschi, Eric D. Nielsen und Francois Chollet

Dieses Buch wurde von den Hauptautoren der TensorFlow-Bibliothek verfasst und bietet faszinierende Anwendungsfälle und ausführliche Anweisungen für Deep-Learning-Apps in JavaScript in Ihrem Browser oder auf Node.

Mehrteilige Online-Kurse

Ein mehrteiliger Online-Kurs ist eine gute Möglichkeit, die Grundkonzepte von ML zu erlernen. Viele Kurse bieten großartige visuelle Erklärungen und die Tools, die erforderlich sind, um maschinelles Lernen direkt bei der Arbeit oder bei Ihren persönlichen Projekten anzuwenden.

Online-Einführungskurse
deeplearning.ai: TensorFlow: Daten- und Bereitstellungsspezialisierung

Sie haben gelernt, wie man Modelle baut und trainiert. Lernen Sie nun, in verschiedenen Bereitstellungsszenarien zu navigieren und Daten effektiver zu verwenden, um Ihr Modell in dieser viergängigen Spezialisierung zu trainieren.

Online-Einführungskurse
deeplearning.ai: Einführung in TensorFlow für AI, ML und Deep Learning

Dieser Kurs wurde in Zusammenarbeit mit dem TensorFlow-Team entwickelt und ist Teil der TensorFlow-Spezialisierung in der Praxis. Er vermittelt Ihnen Best Practices für die Verwendung von TensorFlow.

Online-Einführungskurse
Udacity: Einführung in TensorFlow für Deep Learning

In diesem Online-Kurs, der vom TensorFlow-Team und Udacity entwickelt wurde, lernen Sie, wie Sie mit TensorFlow Deep-Learning-Anwendungen erstellen.

Kostenlos
Mehr erfahren  
Online-Einführungskurse
deeplearning.ai: TensorFlow in der Praxis Spezialisierung

In dieser viergängigen Spezialisierung, die von einem TensorFlow-Entwickler unterrichtet wird, lernen Sie die Tools und Softwareentwickler kennen, mit denen Sie skalierbare AI-gestützte Algorithmen in TensorFlow erstellen.

Online-Einführungskurse
deeplearning.ai: Deep Learning-Spezialisierung

In fünf Kursen lernen Sie die Grundlagen des Deep Learning kennen, lernen, wie man neuronale Netze aufbaut und wie man erfolgreiche Projekte für maschinelles Lernen leitet und eine Karriere in der KI aufbaut. Sie werden nicht nur die Theorie beherrschen, sondern auch sehen, wie sie in der Industrie angewendet wird.

Online-Einführungskurse
Stanford-Kurs CS231n: Faltungsneurale Netze zur visuellen Erkennung

Dieser Kurs befasst sich eingehend mit den Details von Deep-Learning-Architekturen, wobei der Schwerpunkt auf dem Erlernen von End-to-End-Modellen für Computer-Vision-Aufgaben, insbesondere der Bildklassifizierung, liegt. Entdecken Sie Vorlesungsvideos, Folien und frühere Lehrplannotizen aus früheren Iterationen des Kurses.

Kostenlos
Mehr erfahren  
Online-Einführungskurse
MIT-Kurs 6.S191: Einführung in Deep Learning

In diesem Kurs vom MIT erwerben Sie grundlegende Kenntnisse über Deep-Learning-Algorithmen und praktische Erfahrungen beim Aufbau neuronaler Netze in TensorFlow.

Kostenlos
Mehr erfahren  

Andere Ressourcen

Für Mobil- und Webentwickler sowie Benutzer, die Produktionspipelines erstellen möchten, haben wir unsere bevorzugten Ressourcen zusammengestellt, um Ihnen den Einstieg zu erleichtern, einschließlich unserer TensorFlow-Bibliotheken und Frameworks, die auf Ihre Anforderungen zugeschnitten sind.

Online-Einführungskurse
Deep Learning in JS von Ashi Krishnan

Finden Sie mit deeplearn.js heraus, wie tiefgreifende Lernsysteme lernen, und untersuchen Sie, wie sie denken.

Kostenlos
Schau das Video  
Online-Einführungskurse
Erste Schritte mit TensorFlow.js von TensorFlow

Eine dreiteilige Serie, die sowohl das Training als auch das Ausführen von maschinell erlernten Modellen mit TensorFlow.js untersucht und Ihnen zeigt, wie Sie ein maschinelles Lernmodell in JavaScript erstellen, das direkt im Browser ausgeführt wird.

Kostenlos
Schau das Video  
Online-Einführungskurse
TensorFlow.js: Intelligenz- und Lernserie durch Coding Train

Diese Video-Wiedergabeliste ist Teil einer größeren Reihe zum maschinellen Lernen und zum Aufbau neuronaler Netze und konzentriert sich auf TensorFlow.js, die Kern-API, und auf die Verwendung der JavaScript-Bibliothek zum Trainieren und Bereitstellen von ML-Modellen.

Kostenlos
Schau das Video  
Online-Einführungskurse
TensorFlow.js Deep Learning mit JavaScript von Deeplizard

Diese Reihe führt in das Konzept clientseitiger künstlicher neuronaler Netze ein. Erfahren Sie mehr über Client-Server-Deep-Learning-Architekturen, das Konvertieren von Keras-Modellen in TFJS-Modelle, das Bereitstellen von Modellen mit Node.js, das Trainieren und Übertragen von Lernen im Browser und vieles mehr.

Kostenlos
Schau das Video  
Online-Einführungskurse
TensorFlow Extended: Reales maschinelles Lernen in der Produktion

Eine fünfteilige Serie des TensorFlow-Teams zur Verwendung von TensorFlow Extended (TFX) zur Erstellung eigener ML-Produktionspipelines.

Kostenlos
Schau das Video  
Online-Einführungskurse
Maschinelles Lernen auf Ihrem Gerät: Die Optionen (Google I / O'19)

In dieser Sitzung von Google I / O werden die verschiedenen Optionen für die Verwendung von maschinellem Lernen zur Verbesserung mobiler Apps und Edge-Geräte entmystifiziert. Erfahren Sie, wie Sie mit TensorFlow Lite Modelle trainieren und wie Sie sie auf einer Vielzahl von Geräten verwenden können.

Kostenlos
Schau das Video  

Mathematische Konzepte

Um Ihre ML-Kenntnisse zu vertiefen, können diese Ressourcen Ihnen helfen, die zugrunde liegenden mathematischen Konzepte zu verstehen, die für die Weiterentwicklung auf höherer Ebene erforderlich sind.

Mathematische Konzepte
Crashkurs für maschinelles Lernen von Google-Entwicklern

Der Crashkurs für maschinelles Lernen mit TensorFlow-APIs ist ein Leitfaden zum Selbststudium für angehende Praktiker des maschinellen Lernens. Es bietet eine Reihe von Lektionen mit Videovorträgen, praktischen Fallstudien und praktischen Übungsaufgaben.

Mathematische Konzepte
Coursera: Mathematik für maschinelles Lernen

Diese Online-Spezialisierung von Coursera zielt darauf ab, die Lücke zwischen Mathematik und maschinellem Lernen zu schließen und Sie mit der zugrunde liegenden Mathematik vertraut zu machen, um ein intuitives Verständnis aufzubauen und es mit maschinellem Lernen und Datenwissenschaft in Verbindung zu bringen.

Mathematische Konzepte
Deep Learning von 3blue1brown

3blue1brown konzentriert sich darauf, Mathematik mit einem Visuals-First-Ansatz zu präsentieren. In dieser Videoserie lernen Sie die Grundlagen eines neuronalen Netzwerks und dessen Funktionsweise anhand mathematischer Konzepte kennen.

Kostenlos
Schau das Video  
Mathematische Konzepte
Essenz der linearen Algebra, von 3blue1brown

Eine Reihe kurzer, visueller Videos von 3blue1brown, die das geometrische Verständnis von Matrizen, Determinanten, Eigenstoffen und mehr erklären.

Kostenlos
Schau das Video  
Mathematische Konzepte
Essenz des Kalküls, von 3blue1brown

Eine Reihe kurzer, visueller Videos von 3blue1brown, die die Grundlagen der Analysis auf eine Weise erklären, die Ihnen ein tiefes Verständnis der fundamentalen Theoreme und nicht nur der Funktionsweise der Gleichungen vermittelt.

Kostenlos
Schau das Video  
Mathematische Konzepte
MIT-Kurs 18.06: Lineare Algebra

Dieser Einführungskurs vom MIT behandelt Matrixtheorie und lineare Algebra. Der Schwerpunkt liegt auf Themen, die in anderen Disziplinen nützlich sein werden, einschließlich Gleichungssystemen, Vektorräumen, Determinanten, Eigenwerten, Ähnlichkeit und positiv definierten Matrizen.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
MIT-Kurs 18.01: Einzelvariablenrechnung

Dieser Einführungskurs in das Kalkül des MIT behandelt die Differenzierung und Integration von Funktionen einer Variablen mit Anwendungen.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
Theorie sehen

Eine visuelle Einführung in Wahrscheinlichkeit und Statistik.

Kostenlos
Mehr erfahren  
Mathematische Konzepte
Eine Einführung in das statistische Lernen mit Anwendungen in R von James, G., Witten, D., Hastie, T. und Tibshirani, R.

Dieses Buch bietet einen zugänglichen Überblick über das Gebiet des statistischen Lernens, ein wesentliches Instrumentarium, um die große und komplexe Welt der Datensätze zu verstehen, die zum Trainieren von Modellen im maschinellen Lernen erforderlich sind.

Menschzentrierte KI

Beim Entwerfen eines ML-Modells oder beim Erstellen von AI-gesteuerten Anwendungen ist es wichtig, die mit dem Produkt interagierenden Personen zu berücksichtigen und den besten Weg zu finden, um Fairness, Interpretierbarkeit, Datenschutz und Sicherheit in diese AI-Systeme einzubauen.

Menschzentrierte KI
Verantwortliche KI

Erfahren Sie, wie Sie mit TensorFlow verantwortungsbewusste KI-Praktiken in Ihren ML-Workflow integrieren.

Kostenlos
Mehr erfahren  
Menschzentrierte KI
People + AI Reiseführer

Dieser Leitfaden von Google hilft Ihnen beim Aufbau menschenzentrierter KI-Produkte. Auf diese Weise können Sie häufige Fehler vermeiden, hervorragende Erfahrungen entwerfen und sich beim Erstellen von AI-gesteuerten Anwendungen auf Menschen konzentrieren.

Kostenlos
Mehr erfahren  
Menschzentrierte KI
Einführung in das Modul Fairness im maschinellen Lernen

Dieses einstündige Modul in Googles MLCC führt die Lernenden in verschiedene Arten menschlicher Vorurteile ein, die sich in Trainingsdaten manifestieren können, sowie in Strategien zur Identifizierung und Bewertung ihrer Auswirkungen.

Kostenlos
Mehr erfahren