Google is committed to advancing racial equity for Black communities. See how.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

راه خود را مسلط شوید

برای تبدیل شدن به یک متخصص در یادگیری ماشین ، شما ابتدا به یک پایه قوی در چهار زمینه یادگیری نیاز دارید: کدگذاری ، ریاضیات ، تئوری ML ، و چگونگی ساخت پروژه ML خود از ابتدا تا انتها.

برای بهبود این چهار مهارت با برنامه درسی متشکل از TensorFlow شروع کنید یا با کاوش در کتابخانه منابع ما در زیر ، مسیر یادگیری خود را انتخاب کنید.

چهار زمینه آموزش یادگیری ماشین

هنگام شروع مسیر آموزشی ، مهم است که ابتدا چگونگی یادگیری ML را درک کنید. ما فرایند یادگیری را به چهار حوزه دانش تقسیم کرده ایم ، و هر حوزه یک قطعه اساسی از ML را ارائه می دهد. برای کمک به شما در مسیر خود ، ما کتابها ، فیلم ها و دوره های آنلاین را شناسایی کرده ایم که توانایی های شما را ارتقا می بخشد و شما را برای استفاده از ML برای پروژه های خود آماده می کنیم. با برنامه های درسی راهنمای ما که برای افزایش دانش شما طراحی شده اند شروع کنید یا با کاوش در کتابخانه منابع ما مسیر خود را انتخاب کنید.

  • مهارت های کدگذاری: ساخت مدل های ML فراتر از دانستن مفاهیم ML است - برای انجام مدیریت داده ها ، تنظیم پارامترها و تجزیه نتایج لازم برای آزمایش و بهینه سازی مدل شما ، به کدگذاری احتیاج دارد.

  • ریاضیات و آمار: ML یک رشته سنگین ریاضی است ، بنابراین اگر قصد دارید مدل های ML را تغییر دهید یا مدل های جدیدی را از ابتدا بسازید ، آشنایی با مفاهیم ریاضی اساسی برای این فرآیند بسیار مهم است.

  • نظریه ML: دانستن اصول تئوری ML به شما پایه می دهد و می توانید در صورت بروز مشکل عیب یابی کنید.

  • پروژه های خود را بسازید: به دست آوردن تجربه درمورد ML بهترین راه برای آزمایش دانش خود است ، پس از این که با یک کولاب یا آموزش ساده غواصی کنید زودتر نباشید و تمرین کنید.

برنامه های درسی TensorFlow

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

برای مبتدی ها
اصول یادگیری ماشین با TensorFlow

اصول ML را با این مجموعه کتاب و دوره های آنلاین بیاموزید. شما با scikit-learn با ML آشنا می شوید ، و با استفاده از TensorFlow 2.0 از طریق یادگیری عمیق راهنمایی می شوید ، و سپس این فرصت را خواهید داشت که آنچه را می آموزید با آموزش های مبتدی تمرین کنید.

برای کارشناسان سطح متوسط
یادگیری تئوری و پیشرفته ماشین با TensorFlow

هنگامی که اصول یادگیری ماشین را درک کردید ، با غرق شدن در درک نظری از شبکه های عصبی ، یادگیری عمیق و بهبود دانش خود از مفاهیم ریاضی ، توانایی های خود را به سطح بعدی برسانید.

برای مبتدی ها
تخصص: مبانی TensorFlow برای توسعه جاوا اسکریپت

با اصول توسعه مدل های یادگیری ماشین در JavaScript و نحوه استقرار مستقیم در مرورگر آشنا شوید. شما یک مقدمه سطح بالا در مورد یادگیری عمیق و نحوه شروع کار با TensorFlow.js از طریق تمرینات عملی خواهید داشت.

منابع آموزشی

مسیر یادگیری خود را انتخاب کنید ، و کتاب ها ، دوره ها ، فیلم ها و تمرینات توصیه شده توسط تیم TensorFlow را جستجو کنید تا پایه های ML را به شما آموزش دهد.

کتابها

خواندن یکی از بهترین راهها 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.

کتابها
یادگیری عمیق با پایتون ، تالیف فرانسوا چولت

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

کتابها
آموزش عملی دستی با Scikit-Learn ، Keras و TensorFlow ، نسخه 2 ، توسط Aurélien Géron

این کتاب با استفاده از مثالهای ملموس ، نظریه حداقلی و دو چارچوب آماده پایتون - Scikit-Learn و TensorFlow - به شما کمک می کند تا درک درستی از مفاهیم و ابزارهای ساخت سیستم های هوشمند داشته باشید.

کتابها
یادگیری عمیق: کتاب مطبوعاتی MIT ، نوشته یان گودفلو ، یوشوا بنگیو و آرون کورویل

این کتاب درسی عمیق یادگیری منبعی است که برای کمک به دانشجویان و پزشکان برای ورود به زمینه یادگیری ماشین به طور کلی و به طور خاص یادگیری عمیق در نظر گرفته شده است.

کتابها
شبکه های عصبی و یادگیری عمیق ، تالیف مایکل نیلسن

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

کتابها
یادگیری عمیق با جاوا اسکریپت توسط شانگینگ کای ، استنلی بیله اسکی ، اریک دی. نیلسن با فرانسوا چولت

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

دوره های آنلاین چند بخشی

گذراندن یک دوره آنلاین چند بخشی ، روش خوبی برای یادگیری مفاهیم اساسی ML است. بسیاری از دوره ها مفسران دیداری عالی و ابزارهای لازم برای شروع بکارگیری یادگیری ماشین به طور مستقیم در محل کار یا پروژه های شخصی شما را ارائه می دهند.

دوره های مقدماتی آنلاین
deeplearning.ai: TensorFlow: تخصص و استقرار داده ها

شما یاد گرفته اید که چگونه مدل ها را بسازید و آموزش دهید. اکنون یاد بگیرید که در سناریوهای مختلف به کارگیری بپردازید و به طور موثرتری از داده ها برای آموزش مدل خود در این دوره چهار دوره تخصص استفاده کنید.

دوره های مقدماتی آنلاین
deeplearning.ai: آشنایی با TensorFlow برای هوش مصنوعی ، ML و یادگیری عمیق

این دوره با همکاری تیم TensorFlow توسعه یافته و بخشی از TensorFlow in Practice Specialization است و بهترین روشهای استفاده از TensorFlow را به شما آموزش می دهد.

دوره های مقدماتی آنلاین
Udacity: مقدمه ای بر TensorFlow برای یادگیری عمیق

در این دوره آنلاین که توسط تیم TensorFlow و Udacity تهیه شده است ، شما می آموزید که چگونه با TensorFlow برنامه های یادگیری عمیق ایجاد کنید.

دوره های مقدماتی آنلاین
deeplearning.ai: TensorFlow در عمل تخصص

در این چهار دوره تخصصی که توسط توسعه دهنده TensorFlow آموزش داده شده است ، شما ابزارها و توسعه دهندگان نرم افزار را برای ساخت الگوریتم های مقیاس پذیر مجهز به هوش مصنوعی در TensorFlow کشف خواهید کرد.

دوره های مقدماتی آنلاین
deeplearning.ai: تخصص یادگیری عمیق

در پنج دوره ، شما اصول آموزش عمیق را یاد خواهید گرفت ، نحوه ساخت شبکه های عصبی را می فهمید و یاد می گیرید که چگونه پروژه های موفق یادگیری ماشین را هدایت کنید و در AI فعالیت کنید. شما نه تنها بر این نظریه تسلط خواهید یافت ، بلکه می بینید که چگونه در صنعت به کار گرفته می شود.

دوره های مقدماتی آنلاین
دوره استنفورد CS231n: شبکه های عصبی کانولوشنال برای شناخت بصری

این دوره یک غواصی عمیق در جزئیات معماری یادگیری عمیق با تمرکز بر یادگیری مدل های پایان به پایان برای کارهای بینایی رایانه ، به ویژه طبقه بندی تصویر است. فیلم های سخنرانی ، اسلایدها و یادداشت های درسی گذشته از تکرارهای قبلی دوره را کاوش کنید.

دوره های مقدماتی آنلاین
دوره MIT 6.S191: مقدمه ای بر یادگیری عمیق

در این دوره از MIT ، شما دانش بنیادی الگوریتم های یادگیری عمیق را کسب خواهید کرد و در ساخت شبکه های عصبی در TensorFlow تجربه عملی خواهید داشت.

منابع دیگر

برای توسعه دهندگان تلفن همراه و وب و کاربرانی که مایل به ساخت خطوط لوله تولیدی هستند ، ما منابع مورد علاقه خود را جمع آوری کرده ایم تا به شما کمک کند از جمله کتابخانه ها و چارچوب های TensorFlow مخصوص نیازهای شما به شما کمک کند.

دوره های مقدماتی آنلاین
یادگیری عمیق در JS توسط آشی کریشنان

با استفاده از deeplearn.js ، دریابید که سیستم های یادگیری عمیق چگونه یاد می گیرند و نحوه تفکر آنها را بررسی کنید.

دوره های مقدماتی آنلاین
شروع کار با TensorFlow.js توسط TensorFlow

یک سری 3 قسمتی که با استفاده از TensorFlow.js مدل های یادگیری ماشین و آموزش را بررسی می کند و به شما نشان می دهد که چگونه یک مدل یادگیری ماشین در JavaScript ایجاد کنید که مستقیماً در مرورگر اجرا شود.

دوره های مقدماتی آنلاین
TensorFlow.js: سری هوش و یادگیری توسط قطار کدگذاری

این لیست پخش ویدیویی که بخشی از یک مجموعه بزرگتر در زمینه یادگیری ماشین و ساخت شبکه های عصبی است ، بر TensorFlow.js ، هسته اصلی API و نحوه استفاده از کتابخانه JavaScript برای آموزش و استقرار مدل های ML متمرکز است.

دوره های مقدماتی آنلاین
TensorFlow.js یادگیری عمیق با جاوا اسکریپت توسط Deeplizard

این مجموعه مفهوم شبکه های عصبی مصنوعی سمت مشتری را معرفی می کند. درباره معماری یادگیری عمیق کلاینت سرور ، تبدیل مدل های Keras به مدل های TFJS ، ارائه مدل با Node.js ، آموزش و انتقال یادگیری در مرورگر و سایر موارد بیاموزید.

دوره های مقدماتی آنلاین
TensorFlow Extended: یادگیری ماشین در دنیای واقعی در تولید

یک سری پنج بخشی از تیم TensorFlow با استفاده از TensorFlow Extended (TFX) برای ایجاد خطوط تولید ML تولیدی خود.

دوره های مقدماتی آنلاین
یادگیری ماشینی روی دستگاه شما: گزینه ها (Google I / O'19)

این جلسه از Google I / O از گزینه های مختلف موجود برای استفاده از یادگیری ماشین برای افزایش برنامه های تلفن همراه و دستگاه های لبه ای پاک می کند. بیاموزید که چگونه می توان از TensorFlow Lite برای آموزش مدل ها و نحوه استفاده از آنها در دستگاه های مختلف استفاده کرد.

مفاهیم ریاضی

برای دستیابی به اطلاعات بیشتر در زمینه ML ، این منابع می توانند به شما کمک کنند مفاهیم اساسی ریاضی را که برای پیشرفت در سطح بالاتر لازم است ، درک کنید.

مفاهیم ریاضی
Google Crash Course Course Course Course

Course Learning Crash Course with TensorFlow API یک راهنمای خودآموزی برای پزشکان مشتاق یادگیری ماشین است. این مجموعه از یک درس با سخنرانی های ویدئویی ، مطالعات موردی در دنیای واقعی و تمرین های عملی است.

مفاهیم ریاضی
Coursera: ریاضیات برای تخصص یادگیری ماشین

این تخصص آنلاین از Coursera قصد دارد تا شکاف ریاضیات و یادگیری ماشین را برطرف کند ، شما را در ریاضیات اساسی برای ایجاد یک درک بصری سریع تر و مرتبط کند و آن را به یادگیری ماشین و علوم داده مرتبط سازد.

مفاهیم ریاضی
یادگیری عمیق ، توسط 3blue1brown

3blue1brown درمورد ارائه ریاضیات با رویکرد تصویری-اول است. در این مجموعه ویدیویی ، شما با اصول شبکه عصبی و نحوه کار آن از طریق مفاهیم ریاضی آشنا خواهید شد.

مفاهیم ریاضی
ذات جبر خطی ، توسط 3blue1brown

یک سری فیلم های کوتاه و تصویری از 3blue1brown که درک هندسی ماتریس ها ، عوامل تعیین کننده ، مواد ویژه و موارد دیگر را توضیح می دهد.

مفاهیم ریاضی
ذات حساب ، توسط 3blue1brown

مجموعه ای از فیلم های کوتاه و تصویری از 3blue1brown که اصول حساب را به گونه ای توضیح می دهد که درک کاملی از قضیه های اساسی و نه فقط نحوه کار معادلات را برای شما فراهم می کند.

مفاهیم ریاضی
دوره MIT 18.06: جبر خطی

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

مفاهیم ریاضی
دوره MIT 18.01: حساب متغیر منفرد

این دوره حساب مقدماتی از MIT تمایز و ادغام توابع یک متغیر را با برنامه ها پوشش می دهد.

مفاهیم ریاضی
دیدن نظریه

مقدمه تصویری احتمال و آمار.

مفاهیم ریاضی
مقدمه ای بر یادگیری آماری ، با کاربردهای R در جیمز ، جی ، ویتن ، دی. ، هستی ، ت. و تیبشیرانی ، ر.

این کتاب یک مرور کلی قابل دسترسی از زمینه یادگیری آماری ، یک مجموعه اساسی برای درک جهان گسترده و پیچیده مجموعه داده های مورد نیاز برای آموزش مدل های یادگیری ماشین فراهم می کند.

هوش مصنوعی انسان محور

هنگام طراحی یک مدل ML ، یا ساختن برنامه های مبتنی بر هوش مصنوعی ، مهم است که افراد درگیر با محصول و بهترین راه برای ایجاد انصاف ، تفسیر پذیری ، حریم خصوصی و امنیت در این سیستم های هوش مصنوعی را در نظر بگیریم.

هوش مصنوعی انسان محور
هوش مصنوعی مسئول

بیاموزید که چگونه با استفاده از TensorFlow روشهای AI حساس به جریان کار در ML خود را ادغام کنید.

هوش مصنوعی انسان محور
افراد + کتاب راهنمای هوش مصنوعی

این کتاب راهنمای Google به شما کمک می کند محصولات AI با محوریت انسان را بسازید. این کار به شما امکان می دهد هنگام ساخت برنامه های مبتنی بر هوش مصنوعی از اشتباهات رایج جلوگیری کنید ، تجربیات عالی طراحی کنید و روی افراد تمرکز کنید.

هوش مصنوعی انسان محور
مقدمه ای بر انصاف در ماژول یادگیری ماشین

این ماژول یک ساعته در MLCC Google ، فراگیران را با انواع مختلف تعصبات انسانی آشنا می کند که می تواند در داده های آموزشی آشکار شود ، همچنین راهکارهایی برای شناسایی و ارزیابی اثرات آنها دارد.