Kuasai jalan Anda
Untuk menjadi ahli dalam pembelajaran mesin, pertama-tama Anda memerlukan dasar yang kuat dalam empat area pembelajaran : pengkodean, matematika, teori ML, dan cara membuat proyek ML Anda sendiri dari awal hingga akhir.
Mulailah dengan kurikulum yang dikurasi TensorFlow untuk meningkatkan empat keterampilan ini, atau pilih jalur pembelajaran Anda sendiri dengan menjelajahi pustaka sumber daya kami di bawah ini.
Empat bidang pendidikan pembelajaran mesin
Saat memulai jalur pendidikan Anda, penting untuk terlebih dahulu memahami cara mempelajari ML. Kami telah memecah proses pembelajaran menjadi empat bidang pengetahuan, dengan setiap bidang menyediakan bagian dasar dari teka-teki ML. Untuk membantu Anda di jalur Anda, kami telah mengidentifikasi buku, video, dan kursus online yang akan meningkatkan kemampuan Anda, dan mempersiapkan Anda menggunakan ML untuk proyek Anda. Mulailah dengan kurikulum terpandu kami yang dirancang untuk meningkatkan pengetahuan Anda, atau pilih jalur Anda sendiri dengan menjelajahi perpustakaan sumber daya kami.
Kurikulum TensorFlow
Mulailah belajar dengan salah satu kurikulum terpandu kami yang berisi kursus, buku, dan video yang direkomendasikan.
Pelajari dasar-dasar ML dengan koleksi buku dan kursus online ini. Anda akan diperkenalkan ke ML dengan scikit-learn, dipandu melalui pembelajaran mendalam menggunakan TensorFlow 2.0, dan kemudian Anda akan memiliki kesempatan untuk mempraktikkan apa yang Anda pelajari dengan tutorial pemula.
Setelah Anda memahami dasar-dasar pembelajaran mesin, tingkatkan kemampuan Anda ke tingkat berikutnya dengan menyelami pemahaman teoretis tentang jaringan saraf, pembelajaran mendalam, dan meningkatkan pengetahuan Anda tentang konsep matematika yang mendasarinya.
Pelajari dasar-dasar pengembangan model pembelajaran mesin di JavaScript, dan cara menerapkan langsung di browser. Anda akan mendapatkan pengantar tingkat tinggi tentang deep learning dan cara memulai TensorFlow.js melalui latihan langsung.
Sumber daya pendidikan
Pilih jalur pembelajaran Anda sendiri, dan jelajahi buku, kursus, video, dan latihan yang direkomendasikan oleh tim TensorFlow untuk mengajari Anda dasar-dasar ML.
Buku
Membaca adalah salah satu cara terbaik untuk memahami dasar-dasar ML dan pembelajaran mendalam. Buku dapat memberi Anda pemahaman teoretis yang diperlukan untuk membantu Anda mempelajari konsep baru lebih cepat di masa mendatang.
Buku pengantar ini memberikan pendekatan yang mengutamakan kode untuk mempelajari cara menerapkan skenario ML yang paling umum, seperti computer vision, natural language processing (NLP), dan pemodelan urutan untuk web, seluler, cloud, dan runtime yang disematkan.
Buku ini adalah pengantar praktis dan langsung ke Deep Learning dengan Keras.
Menggunakan contoh konkret, teori minimal, dan dua framework Python siap produksi — Scikit-Learn dan TensorFlow — buku ini membantu Anda mendapatkan pemahaman intuitif tentang konsep dan fitur untuk membangun sistem cerdas.
Buku teks Pembelajaran Mendalam ini adalah sumber daya yang dimaksudkan untuk membantu siswa dan praktisi memasuki bidang pembelajaran mesin secara umum, dan pembelajaran mendalam pada khususnya.
Buku ini memberikan latar belakang teoritis tentang jaringan saraf. Ini tidak menggunakan TensorFlow, tetapi merupakan referensi yang bagus bagi siswa yang tertarik untuk mempelajari lebih lanjut.
Ditulis oleh penulis utama perpustakaan TensorFlow, buku ini memberikan kasus penggunaan yang menarik dan instruksi mendalam untuk aplikasi pembelajaran mendalam di JavaScript di browser Anda atau di Node.
Kursus online multi-bagian
Mengikuti kursus online multi-bagian adalah cara yang baik untuk mempelajari konsep dasar ML. Banyak kursus memberikan penjelasan visual yang hebat, dan alat yang diperlukan untuk mulai menerapkan pembelajaran mesin secara langsung di tempat kerja, atau dengan proyek pribadi Anda.
Anda telah mempelajari cara membuat dan melatih model. Sekarang pelajari cara menavigasi berbagai skenario penerapan dan menggunakan data secara lebih efektif untuk melatih model Anda dalam Spesialisasi empat kursus ini.
Dikembangkan bekerja sama dengan tim TensorFlow, kursus ini adalah bagian dari TensorFlow in Practice Specialization dan akan mengajarkan Anda praktik terbaik untuk menggunakan TensorFlow.
Dalam kursus online yang dikembangkan oleh tim TensorFlow dan Udacity ini, Anda akan mempelajari cara membuat aplikasi deep learning dengan TensorFlow.
Dalam Spesialisasi empat kursus yang diajarkan oleh developer TensorFlow ini, Anda akan menjelajahi alat dan software yang digunakan developer untuk membuat algoritme yang didukung AI yang skalabel di TensorFlow.
Dalam lima kursus, Anda akan mempelajari dasar-dasar Deep Learning, memahami cara membangun jaringan saraf, dan mempelajari cara memimpin proyek pembelajaran mesin yang sukses dan membangun karier di AI. Anda akan menguasai tidak hanya teori, tetapi juga melihat bagaimana itu diterapkan dalam industri.
Kursus ini mendalami detail arsitektur deep learning dengan fokus pada model pembelajaran end-to-end untuk tugas-tugas computer vision, khususnya klasifikasi gambar. Jelajahi video kuliah, slide, dan catatan silabus sebelumnya dari iterasi kursus sebelumnya.
Dalam kursus dari MIT ini, Anda akan mendapatkan pengetahuan dasar tentang algoritme deep learning dan mendapatkan pengalaman praktis dalam membuat jaringan neural di TensorFlow.
Sumber daya lainnya
Untuk developer seluler dan web serta pengguna yang ingin membuat pipeline produksi, kami telah mengumpulkan resource favorit kami untuk membantu Anda memulai, termasuk library TensorFlow dan framework khusus untuk kebutuhan Anda.
Dengan menggunakan deeplearn.js, cari tahu seberapa dalam sistem pembelajaran belajar dan periksa cara berpikirnya.
Seri 3 bagian yang membahas pelatihan dan eksekusi model machine learning dengan TensorFlow.js, dan menunjukkan cara membuat model machine learning di JavaScript yang dijalankan langsung di browser.
Bagian dari seri yang lebih besar tentang machine learning dan membangun jaringan neural, playlist video ini berfokus pada TensorFlow.js, API inti, dan cara menggunakan library JavaScript untuk melatih dan menerapkan model ML.
Seri ini memperkenalkan konsep jaringan saraf tiruan sisi klien. Pelajari tentang arsitektur pembelajaran dalam server klien, mengonversi model Keras ke model TFJS, menyajikan model dengan Node.js, melatih dan mentransfer pembelajaran di browser dan banyak lagi.
Seri lima bagian dari tim TensorFlow tentang penggunaan TensorFlow Extended (TFX) untuk membuat pipeline ML produksi Anda sendiri.
Sesi dari Google I / O ini akan mengungkap berbagai opsi yang tersedia untuk menggunakan pembelajaran mesin untuk meningkatkan aplikasi seluler dan perangkat edge. Pelajari bagaimana TensorFlow Lite dapat digunakan untuk melatih model dan cara menggunakannya di berbagai perangkat.
Konsep matematika
Untuk lebih mendalami pengetahuan ML Anda, sumber daya ini dapat membantu Anda memahami konsep matematika dasar yang diperlukan untuk peningkatan level yang lebih tinggi.
Kursus Singkat Machine Learning dengan TensorFlow API adalah panduan belajar mandiri bagi calon praktisi machine learning. Ini menampilkan serangkaian pelajaran dengan ceramah video, studi kasus dunia nyata, dan latihan praktik langsung.
Spesialisasi online dari Coursera ini bertujuan untuk menjembatani kesenjangan matematika dan pembelajaran mesin, mempercepat Anda dalam matematika yang mendasarinya untuk membangun pemahaman yang intuitif, dan mengaitkannya dengan Pembelajaran Mesin dan Ilmu Data.
3blue1brown berpusat pada penyajian matematika dengan pendekatan visual-first. Dalam serial video ini, Anda akan mempelajari dasar-dasar jaringan saraf dan cara kerjanya melalui konsep matematika.
Serangkaian video visual pendek dari 3blue1brown yang menjelaskan pemahaman geometris tentang matriks, determinan, eigen-stuff, dan banyak lagi.
Serangkaian video visual pendek dari 3blue1brown yang menjelaskan dasar-dasar kalkulus dengan cara yang memberi Anda pemahaman yang kuat tentang teorema fundamental, dan bukan hanya cara kerja persamaan.
Kursus pengantar dari MIT ini mencakup teori matriks dan aljabar linier. Penekanan diberikan pada topik yang akan berguna dalam disiplin lain, termasuk sistem persamaan, ruang vektor, determinan, nilai eigen, kesamaan, dan matriks pasti positif.
Kursus pengantar kalkulus dari MIT ini mencakup diferensiasi dan integrasi fungsi satu variabel, dengan aplikasi.
Pengenalan visual untuk probabilitas dan statistik.
Buku ini memberikan ikhtisar yang dapat diakses dari bidang pembelajaran statistik, seperangkat alat penting untuk memahami dunia kumpulan data yang luas dan kompleks yang diperlukan untuk melatih model dalam pembelajaran mesin.
AI yang berpusat pada manusia
Saat merancang model ML, atau membangun aplikasi yang digerakkan oleh AI, penting untuk mempertimbangkan orang-orang yang berinteraksi dengan produk, dan cara terbaik untuk membangun keadilan, interpretabilitas, privasi, dan keamanan ke dalam sistem AI ini.
Pelajari cara mengintegrasikan praktik AI yang Bertanggung Jawab ke dalam alur kerja ML Anda menggunakan TensorFlow.
Buku panduan dari Google ini akan membantu Anda membangun produk AI yang berpusat pada manusia. Ini akan memungkinkan Anda untuk menghindari kesalahan umum, merancang pengalaman luar biasa, dan fokus pada orang-orang saat Anda membangun aplikasi yang digerakkan oleh AI.
Modul satu jam dalam MLCC Google ini memperkenalkan pelajar pada berbagai jenis bias manusia yang dapat terwujud dalam data pelatihan, serta strategi untuk mengidentifikasi, dan mengevaluasi efeknya.