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

بر راه خود مسلط شوید

برای تبدیل شدن به یک متخصص در یادگیری ماشین، برای بار اول شما نیاز به یک پایه قوی در چهار حوزه آموزش : برنامه نویسی، ریاضی، نظریه ML، و چگونه به ساخت پروژه ML خود را از آغاز تا پایان.

شروع با TensorFlow است دوره های آموزشی سرپرستی برای بهبود این چهار مهارت، و یا مسیر یادگیری خود را انتخاب کنید از طریق بررسی ما منابع کتابخانه است.

چهار حوزه آموزش یادگیری ماشین

هنگام شروع مسیر آموزشی ، مهم است که ابتدا نحوه یادگیری ML را بفهمید. ما فرایند یادگیری را به چهار حوزه دانش تقسیم کرده ایم ، که هر قسمت یک قطعه اساسی از پازل ML را ارائه می دهد. برای کمک به شما در مسیر خود ، ما کتاب ها ، فیلم ها و دوره های آنلاین را شناسایی کرده ایم که توانایی های شما را بالا می برد و شما را آماده استفاده از ML برای پروژه های خود می کند. با برنامه های درسی راهنمای ما که برای افزایش دانش شما طراحی شده اند ، شروع کنید یا با جستجوی کتابخانه منابع ما مسیر خود را انتخاب کنید.

  • برنامه نویسی مهارت های: مدل های ساختمان ML شامل خیلی بیشتر از فقط دانستن ML مفاهیم آن نیاز به برنامه نویسی به منظور انجام مدیریت داده ها، تنظیم پارامتر، و تجزیه نتایج مورد نیاز به آزمون و بهینه سازی مدل خود را.

  • ریاضی و آمار: ML یک رشته سنگین ریاضی است، بنابراین اگر شما در برنامه ریزی برای تغییر مدل ML و یا ساخت جدید، از ابتدا، آشنایی با مفاهیم ریاضی اساسی به روند بسیار مهم است.

  • نظریه ML: دانستن اصول اولیه تئوری ML به شما یک بنیاد برای ساخت، و کمک به شما در عیبیابی زمانی که چیزی را اشتباه می رود.

  • ساخت پروژه های خود را: گرفتن دست به تجربه های با ML بهترین راه برای قرار دادن دانش خود را به آزمون است، بنابراین انجام نمی شود ترس به شیرجه رفتن در اوایل با ساده COLAB یا آموزش به گرفتن برخی از عمل.

برنامه های درسی TensorFlow

یادگیری را با یکی از برنامه های درسی هدایت شده ما که شامل دوره ها ، کتاب ها و فیلم های توصیه شده است شروع کنید.

برای مبتدی ها
اصول یادگیری ماشین با TensorFlow

با این مجموعه کتاب و دوره های آنلاین اصول اولیه ML را بیاموزید. با آموزش scikit-learning ، با آموزش عمیق با استفاده از TensorFlow 2.0 ، با ML آشنا خواهید شد و سپس این فرصت را خواهید داشت که آنچه را که با آموزش های مبتدی یاد می گیرید ، تمرین کنید.

برای متخصصین و سطح متوسط
یادگیری نظری و پیشرفته ماشین با TensorFlow

وقتی اصول یادگیری ماشین را درک کردید ، با درک نظری شبکه های عصبی ، یادگیری عمیق و بهبود دانش خود در مورد مفاهیم ریاضی اساسی ، توانایی های خود را به سطح بعدی برسانید.

برای مبتدی ها
تخصص: اصول TensorFlow برای توسعه جاوا اسکریپت

اصول توسعه مدلهای یادگیری ماشین در جاوا اسکریپت و نحوه استقرار مستقیم در مرورگر را بیاموزید. از طریق تمرینات عملی ، یک آموزش سطح بالا در مورد یادگیری عمیق و نحوه شروع کار با TensorFlow.js دریافت خواهید کرد.

منابع آموزشی

مسیر یادگیری خود را انتخاب کرده و کتاب ها ، دوره ها ، فیلم ها و تمریناتی را که توسط تیم TensorFlow توصیه شده است برای آموزش مبانی ML به کاوش بپردازید.

کتابها  
دوره های آنلاین  
مفاهیم ریاضی  
منابع TF  
هوش مصنوعی انسان محور  

کتابها

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 سریعتر مفاهیم جدید در آینده به شما ارائه دهند.

هوش مصنوعی و یادگیری ماشین برای برنامه نویسان
نویسنده: لورنس مورونی

این کتاب مقدماتی یک رویکرد اول را برای یادگیری نحوه پیاده سازی متداول ترین سناریوهای ML مانند بینایی رایانه ، پردازش زبان طبیعی (NLP) و مدل سازی توالی برای زمان اجرای وب ، تلفن همراه ، ابر و جاسازی شده ارائه می دهد.

آموزش عمیق با پایتون
نویسنده: فرانسوا شولت

این کتاب یک مقدمه عملی و کاربردی برای یادگیری عمیق با Keras است.

یادگیری ماشین عملی با Scikit-Learn ، Keras و TensorFlow
نویسنده: Aurélien Géron

با استفاده از مثالهای مشخص ، نظریه حداقلی و دو چارچوب پایتون آماده تولید-Scikit-Learn و TensorFlow-این کتاب به شما کمک می کند تا درک مفیدی از مفاهیم و ابزارهای ایجاد سیستمهای هوشمند بدست آورید.

یادگیری عمیق
توسط یان گودفلو ، یوشوا بنگیو و آرون کورویل

این کتاب درسی یادگیری عمیق منبعی است که به دانش آموزان و متخصصان کمک می کند تا به طور کلی در زمینه یادگیری ماشین و به طور خاص در یادگیری عمیق وارد شوند.

شبکه های عصبی و یادگیری عمیق
نویسنده: مایکل نیلسن

این کتاب زمینه نظری در مورد شبکه های عصبی ارائه می دهد. از TensorFlow استفاده نمی کند ، اما یک مرجع عالی برای دانش آموزان علاقه مند به یادگیری بیشتر است.

آموزش TensorFlow.js
توسط گانت لابورد

رویکردی سرتاسر به مبانی TensorFlow.js برای مخاطبان فنی گسترده. پس از اتمام این کتاب ، می دانید چگونه با TensorFlow.js سیستم های یادگیری عمیق آماده تولید و استقرار را ایجاد کنید.

یادگیری عمیق با جاوا اسکریپت
توسط Shanqing Cai ، Stanley Bileschi ، Eric D. Nielsen با Francois Chollet

این کتاب که توسط نویسندگان اصلی کتابخانه TensorFlow نوشته شده است ، موارد کاربردی جذاب و دستورالعمل های عمیق برای برنامه های یادگیری عمیق در جاوا اسکریپت در مرورگر شما یا Node ارائه می دهد.

دوره های آنلاین

گذراندن یک دوره آنلاین چند قسمتی یک راه خوب برای یادگیری مفاهیم اولیه ML است. بسیاری از دوره ها توضیحات بصری فوق العاده ای ارائه می دهند و ابزارهای مورد نیاز برای شروع استفاده از یادگیری ماشین به طور مستقیم در محل کار یا پروژه های شخصی شما.

معرفی TensorFlow برای AI ، ML و Deep Learning

این دوره که با همکاری تیم TensorFlow توسعه یافته است ، بخشی از تخصص توسعه دهندگان TensorFlow است و بهترین شیوه های استفاده از TensorFlow را به شما آموزش می دهد.

معرفی TensorFlow برای یادگیری عمیق

در این دوره آنلاین که توسط تیم TensorFlow و Udacity توسعه یافته است ، خواهید آموخت که چگونه با TensorFlow برنامه های کاربردی یادگیری عمیق بسازید.

تخصص توسعه دهندگان TensorFlow

در این چهار دوره تخصصی که توسط توسعه دهنده TensorFlow تدریس می شود ، ابزارها و توسعه دهندگان نرم افزار را برای ایجاد الگوریتم های مقیاس پذیر مجهز به هوش مصنوعی در TensorFlow مورد بررسی قرار می دهید.

دوره تصادف یادگیری ماشین

دوره تصادف یادگیری ماشین با API های TensorFlow یک راهنمای خودآموزی برای تمرین کنندگان مشتاق یادگیری ماشین است. این مجموعه شامل یک سری درس با سخنرانی های ویدئویی ، مطالعات موردی در دنیای واقعی و تمرینات عملی است.

MIT 6.S191: مقدمه ای بر یادگیری عمیق

در این دوره از MIT ، شما دانش اساسی در مورد الگوریتم های یادگیری عمیق را بدست می آورید و تجربه عملی در ایجاد شبکه های عصبی در TensorFlow را کسب خواهید کرد.

تخصص یادگیری عمیق

در پنج دوره ، شما با مبانی یادگیری عمیق آشنا خواهید شد ، نحوه ایجاد شبکه های عصبی را خواهید آموخت و نحوه هدایت پروژه های موفق یادگیری ماشینی و ایجاد حرفه در هوش مصنوعی را خواهید آموخت. شما نه تنها بر نظریه تسلط خواهید داشت ، بلکه خواهید دید که چگونه در صنعت کاربرد دارد.

TensorFlow: تخصص داده و استقرار

شما نحوه ساختن و آموزش مدل ها را آموخته اید. اکنون بیاموزید که چگونه در سناریوهای مختلف استقرار حرکت کنید و از داده ها به طور مثرتری استفاده کنید تا مدل خود را در این تخصص چهار دوره ای آموزش دهید.

TensorFlow: تخصص تکنیک های پیشرفته

این تخصص برای مهندسان نرم افزار و ML با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مهارت خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساختن مدلهای قدرتمند هستند.

مفاهیم ریاضی

برای آشنایی بیشتر با دانش ML ، این منابع می توانند به شما در درک مفاهیم اساسی ریاضی لازم برای پیشرفت سطح بالاتر کمک کنند.

مقدمه ای دوستانه برای جبر خطی برای ML

یک دیدگاه پرنده از جبر خطی برای یادگیری ماشین هرگز جبر خطی را انتخاب نکرده اید یا کمی درباره اصول اولیه آن آگاهی ندارید و می خواهید نحوه استفاده از آن در ML را درک کنید؟ پس این ویدئو برای شماست.

تخصص ریاضیات برای یادگیری ماشین

این تخصص آنلاین Coursera با هدف پر کردن شکاف ریاضیات و یادگیری ماشینی ، شما را در ایجاد ریاضیات اساسی برای ایجاد درک بصری و ارتباط آن با یادگیری ماشین و علوم داده سرعت می بخشد.

یادگیری عمیق
توسط 3Blue1Brown

مرکز 3blue1brown ارائه ریاضیات با رویکرد بصری است. در این مجموعه ویدیویی ، شما با مفاهیم ریاضی اصول اولیه یک شبکه عصبی و نحوه عملکرد آن را خواهید آموخت.

ماهیت جبر خطی
توسط 3Blue1Brown

مجموعه ای از ویدئوهای کوتاه و بصری از 3blue1brown که درک هندسی ماتریس ها ، عوامل تعیین کننده ، مواد ویژه و موارد دیگر را توضیح می دهد.

جوهر حساب
توسط 3Blue1Brown

مجموعه ای از ویدئوهای کوتاه و بصری از 3blue1brown که اصول حسابداری را به گونه ای توضیح می دهد که به شما درک قوی ای از قضایای اساسی می دهد و نه فقط نحوه کار معادلات.

MIT 18.06: جبر خطی

این دوره مقدماتی از MIT نظریه ماتریس و جبر خطی را پوشش می دهد. تأکید بر موضوعاتی است که در سایر رشته ها مفید خواهد بود ، از جمله سیستم معادلات ، فضاهای بردار ، عوامل تعیین کننده ، مقادیر ویژه ، شباهت و ماتریس های قطعی مثبت.

MIT 18.01: حساب واحد متغیر

این دوره حسابداری مقدماتی از MIT تمایز و ادغام توابع یک متغیر را با برنامه های کاربردی پوشش می دهد.

دیدن نظریه
نویسنده: دانیل کونین ، جینگرو گو ، تایلر دائولین ، دانیل شیانگ

مقدمه بصری احتمالات و آمار

مقدمه ای بر یادگیری آماری
توسط گرت جیمز ، دانیلا ویتن ، ترور هستی و راب تیبشیرانی

این کتاب یک نمای کلی از زمینه یادگیری آماری ، مجموعه ای ضروری برای درک دنیای گسترده و پیچیده مجموعه داده های مورد نیاز برای آموزش مدل ها در یادگیری ماشین ، ارائه می دهد.

منابع TensorFlow

ما منابع مورد علاقه خود را جمع آوری کرده ایم تا به شما در شروع کار با کتابخانه ها و چارچوب های TensorFlow ویژه نیازهای شما کمک کند. پرش به بخش ما برای TensorFlow.js ، TensorFlow آرشیو و TensorFlow تمدید .


شما همچنین می توانید TensorFlow رسمی فهرست راهنمای و آموزش برای آخرین نمونه ها و colabs.

مبانی یادگیری ماشین

مبانی یادگیری ماشین یک دوره آموزشی رایگان است که در آن اصول اولیه ساختن مدلهای یادگیری ماشین با استفاده از TensorFlow را خواهید آموخت.

TensorFlow از ابتدا به بالا

این ML Tech Talk برای کسانی طراحی شده است که اصول اولیه یادگیری ماشین را می دانند اما نیاز به یک مرور کلی بر مبانی TensorFlow دارند (تنسورها ، متغیرها و شیب ها بدون استفاده از API های سطح بالا).

معرفی یادگیری عمیق

این ML Tech Talk شامل یادگیری نمایشی ، خانواده شبکه های عصبی و برنامه های کاربردی آنها ، اولین نگاه در داخل یک شبکه عصبی عمیق و نمونه ها و مفاهیم کد زیادی از TensorFlow است.

برنامه نویسی TensorFlow

در این سری ، تیم TensorFlow از منظر برنامه نویسی به قسمت های مختلف TensorFlow نگاه می کند ، با فیلم هایی برای استفاده از API های سطح بالا TensorFlow ، پردازش زبان طبیعی ، یادگیری ساختار یافته عصبی و موارد دیگر.

تشخیص و حل مشکلات روزمره با یادگیری ماشین

یاد بگیرید که رایج ترین موارد استفاده از ML شامل تجزیه و تحلیل چند رسانه ای ، ایجاد جستجوی هوشمند ، تبدیل داده ها و نحوه ایجاد سریع آنها در برنامه خود با ابزارهای کاربر پسند را بیاموزید.

برای جاوا اسکریپت

کاوش شدن منابع در TensorFlow.js .

آموزش TensorFlow.js
توسط گانت لابورد

رویکردی سرتاسر به مبانی TensorFlow.js برای مخاطبان فنی گسترده. پس از اتمام این کتاب ، می دانید چگونه با TensorFlow.js سیستم های یادگیری عمیق آماده تولید و استقرار را ایجاد کنید.

شروع کار با TensorFlow.js توسط TensorFlow

یک سری 3 قسمتی که هم آموزش و هم اجرای مدل های یادگیری ماشینی را با TensorFlow.js بررسی می کند و به شما نحوه ایجاد یک مدل یادگیری ماشین در جاوا اسکریپت را نشان می دهد که مستقیماً در مرورگر اجرا می شود.

TensorFlow.js: سری هوش و یادگیری
توسط The Coding Train

این لیست پخش ویدیویی که بخشی از مجموعه بزرگتری در زمینه یادگیری ماشین و ایجاد شبکه های عصبی است ، بر TensorFlow.js ، API اصلی و نحوه استفاده از کتابخانه جاوا اسکریپت برای آموزش و استقرار مدل های ML تمرکز دارد.

برای موبایل و اینترنت اشیا

کاوش شدن منابع در TensorFlow بازگشت به محتوا | .

یادگیری ماشین روی دستگاه

بیاموزید که چگونه اولین برنامه ML روی دستگاه خود را از طریق مسیرهای یادگیری که راهنماهای گام به گام برای موارد معمول استفاده از جمله طبقه بندی صوتی ، جستجوی محصولات بصری و موارد دیگر ارائه می دهند ، بسازید.

مقدمه ای بر TensorFlow Lite

نحوه استقرار مدلهای یادگیری عمیق بر روی دستگاههای تلفن همراه و جاسازی شده با TensorFlow Lite را در این دوره ، که توسط تیم TensorFlow و Udacity به عنوان یک روش عملی برای استقرار مدل برای توسعه دهندگان نرم افزار توسعه یافته است ، بیاموزید.

برای تولید

کاوش شدن منابع در TFX .

مهندسی ML برای تولید ML با TFX

با نحوه نصب یک سیستم خط لوله تولید با TFX آشنا شوید. ما به سرعت همه چیز را از بدست آوردن داده ها ، ایجاد مدل ، تا استقرار و مدیریت پوشش خواهیم داد.

ساخت خطوط لوله یادگیری ماشین
نویسنده: هانس هاپکه ، کاترین نلسون

این کتاب مراحل اتوماسیون خط لوله ML را با استفاده از اکوسیستم TensorFlow طی می کند. مثالهای یادگیری ماشین در این کتاب بر اساس TensorFlow و Keras است ، اما مفاهیم اصلی را می توان در هر چارچوبی به کار برد.

مهندسی یادگیری ماشین برای تولید (MLOps) تخصص

قابلیت های مهندسی تولید خود را در این تخصص چهار دوره ای گسترش دهید. بیاموزید که چگونه سیستم های یکپارچه ای را که به طور مداوم در حال تولید عمل می کنند ، مفهوم سازی ، ایجاد و نگهداری کنید.

خطوط لوله ML در Google Cloud

این دوره پیشرفته اجزای TFX ، تنظیم خط لوله و اتوماسیون و نحوه مدیریت فراداده ML با Google Cloud را پوشش می دهد.

هوش مصنوعی انسان محور

هنگام طراحی یک مدل ML یا ایجاد برنامه های کاربردی مبتنی بر هوش مصنوعی ، مهم است که افرادی را که با محصول در تعامل هستند ، در نظر بگیرید و بهترین راه را برای ایجاد انصاف ، تفسیرپذیری ، حریم خصوصی و امنیت در این سیستم های هوش مصنوعی در نظر بگیرید.

شیوه های مسئول هوش مصنوعی

یاد بگیرید چگونه با استفاده از TensorFlow تمرینات هوش مصنوعی مسئول را در گردش کار ML خود ادغام کنید.

کتاب راهنمای مردم + هوش مصنوعی

این کتاب راهنمای Google به شما کمک می کند تا محصولات هوش مصنوعی انسان محور بسازید. این به شما امکان می دهد از اشتباهات رایج جلوگیری کنید ، تجربیات عالی طراحی کنید و هنگام ایجاد برنامه های مبتنی بر هوش مصنوعی روی افراد تمرکز کنید.

معرفی عدالت در ماژول یادگیری ماشین

این ماژول یک ساعته در MLCC Google زبان آموزان را با انواع مختلف سوگیری های انسانی که می توانند در داده های آموزشی ظاهر شوند و همچنین راهکارهایی برای شناسایی و ارزیابی اثرات آنها ، آشنا می کند.