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.
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.

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.

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.

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.

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

این کتاب با استفاده از مثالهای مشخص ، 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.

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.

این کتاب زمینه نظری 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.

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
شرکت در 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.

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

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.

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

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.

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 یادگیری ماشین موفق را هدایت کنید و در AI فعالیت کنید. شما نه تنها بر این تئوری تسلط خواهید یافت ، بلکه می بینید که چگونه در صنعت به کار می رود.

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 مربوط به تکرارهای قبلی دوره را کاوش کنید.

در این دوره از MIT ، دانش بنیادی در مورد الگوریتم های یادگیری عمیق کسب خواهید کرد و در ساخت شبکه های عصبی در TensorFlow تجربه عملی خواهید داشت.
منابع دیگر
برای توسعه دهندگان موبایل و وب و کاربرانی که مایل به ساخت خطوط لوله تولید هستند ، ما منابع مورد علاقه خود را جمع آوری کرده ایم تا به شما کمک کنیم از جمله کتابخانه ها و چارچوب های TensorFlow مخصوص نیازهای شما به شما کمک کنیم.

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

یک سری 3 قسمتی که با استفاده از TensorFlow.js مدلهای 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.

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 تمرکز دارد.

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.

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

این جلسه از Google I / O از گزینه های مختلف موجود برای استفاده از یادگیری ماشین برای ارتقا برنامه های تلفن همراه و دستگاه های لبه استفاده 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.

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.

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

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

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

مجموعه ای از فیلم های کوتاه و بصری 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.

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.

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


این کتاب یک مرور کلی قابل دسترسی از زمینه یادگیری آماری ، یک مجموعه اساسی برای درک دنیای 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.

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

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.

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.