学習カリキュラムをマスターする
機械学習のエキスパートになるには、まず「コーディング」、「数学」、「ML 理論」、「ML プロジェクトを構築するための全手順」の 4 つの学習分野で、しっかりと基礎を固める必要があります。
4 つのスキルを向上させるためには、TensorFlow で厳選されたカリキュラムを学習するか、以下のリソース ライブラリから、ご自分で学習プログラムを選択してください。
機械学習に関する 4 つの学習分野
学習プログラムを開始する際に重要なのは、ML の学習方法を理解することです。TensorFlow では、学習プロセスを 4 つの習得分野に分割し、各分野が ML 全体を構成するピースとなるように構成しています。学習を進めるうえで、スキルの向上やプロジェクトで ML を使用するための準備に役立つ書籍、動画、オンライン コースを集めました。知識を深めるよう設計されたガイド付きカリキュラムで学習を始めるか、リソース ライブラリから自分にあった学習プログラムをお選びください。
TensorFlow のカリキュラム
おすすめのコース、書籍、動画を含むガイド付きカリキュラムで学習を開始しましょう。
書籍とオンラインコースを集めたこのコレクションでは、ML の基本を学習できます。まず scikit-learn を使用した ML を学習した後、TensorFlow 2.0 を使用したディープ ラーニングを学びます。その後、初心者向けのチュートリアルで学んだことを実践する機会も用意されています。
機械学習の基本を理解したら、ニューラル ネットワークとディープ ラーニングを理論的に理解し、基礎となる数学的な概念の知識を深めることで、新たなレベルのスキルを身に付けましょう。
JavaScript で機械学習モデルを開発するための基礎と、ブラウザで直接デプロイを行う方法を学習できます。また、ディープ ラーニングの概要や、実践的な演習を通じて TensorFlow.js を使い始める方法について説明しています。
教育リソース
学習プログラムを選択したら、TensorFlow チームが ML の基礎の学習におすすめする書籍、コース、動画、演習をご覧ください。
書籍
ML とディープ ラーニングの基礎を理解するために、読書は最も優れた方法のひとつです。書籍で理論を学んでおくことで、新しい概念が出てきてもすばやく理解できます。
This introductory book provides a code-first approach to learn how to implement the most common ML scenarios, such as computer vision, natural language processing (NLP), and sequence modeling for web, mobile, cloud, and embedded runtimes.
この本では複数の具体例、最小限の理論、本番環境で使用できる 2 つの Python フレームワーク（Scikit-Learn および TensorFlow）が紹介されており、インテリジェントなシステムを構築するための概念とツールを直感的に理解できます。
このディープ ラーニングの教科書は、機械学習に携わる学生や技術者の方が、機械学習全般、特にディープ ラーニング分野の学習を一から始めるためのリソースです。
この書籍では、ニューラル ネットワークの理論的背景を学ぶことができます。TensorFlow は使用されていないものの、さらに知識を深めたい方向けのリファレンスとして最適です。
TensorFlow ライブラリの主要な作者によって執筆されたこの書籍では、ブラウザまたはノード上の JavaScript ディープ ラーニング アプリの興味深いユースケースと詳細な手順を解説しています。
複数のパートで構成されるオンライン コース
ML の基本的な概念を学ぶために、複数のパートで構成されるオンライン コースを受講することをおすすめします。多くのコースで、非常にわかりやすい視覚的なコンテンツと、仕事や個人的なプロジェクトに機械学習をすぐに導入できるツールが提供されています。
モデルを作成し、トレーニングする方法を学習しました。次に、以下の 4 つの専門講座でさまざまなデプロイ シナリオについて確認し、より効果的にデータを利用してモデルをトレーニングする方法について学習します。
このコースは TensorFlow in Practice 専門講座の一部として TensorFlow チームと共同で開発されており、TensorFlow を使用するためのベスト プラクティスを学べます。
TensorFlow チームと Udacity の開発によるこのオンライン コースでは、TensorFlow を使ってディープ ラーニング アプリケーションを作成する方法を学ぶことができます。
TensorFlow 開発者が講師を務めるこの 4 つのコースの専門講座では、TensorFlow で AI を活用したスケーラブルなアルゴリズムを作成するためのツールについて詳しく知ることができます。
5 つのコースでは、ディープ ラーニングの基礎を学び、ニューラル ネットワークを構築する方法を理解できます。また、機械学習プロジェクトを成功に導き、AI の分野でキャリアを築く方法を学ぶことができます。理論の習得だけではなく、理論が実際のビジネスにどのように適用されているのかを知ることができます。
このコースでは、コンピュータ ビジョン タスク（中でも画像分類）のためのエンドツーエンド モデルに重点を置いて、ディープ ラーニング アーキテクチャの詳細を深く掘り下げます。講義動画、スライド、コースが以前実施された際のシラバスのメモをご覧ください。
MIT 提供のこのコースでは、ディープ ラーニングのアルゴリズムに関する基礎知識を習得して、TensorFlow でニューラル ネットワークを構築する実践演習を受けることができます。
その他のリソース
モバイル デベロッパー、ウェブ デベロッパー、本番環境用パイプラインを作成する必要があるユーザー向けに、TensorFlow ライブラリや、特定のニーズ用のフレームワークなど、TensorFlow を始めるためのおすすめのリソースを厳選しました。
deeplearn.js を使用して、ディープ ラーニング システムが学習し、思考する仕組みをご覧ください。
3 部構成のシリーズでは、TensorFlow.js を使った機械学習モデルのトレーニングと実行について解説し、JavaScript を使用してブラウザ上で直接実行する機械学習モデルを作成する方法も紹介します。
この動画再生リストは、機械学習とニューラル ネットワークの構築に関するシリーズの一部で、TensorFlow.js、Core API、ML モデルのトレーニングとデプロイに JavaScript ライブラリを使用する方法を主に解説しています。
このシリーズでは、クライアント サイドの人工ニューラル ネットワークの概念をご紹介します。クライアント サーバーのディープ ラーニング アーキテクチャ、Keras から TFJS へのモデルの変換、Node.js を使用したモデルの提供、ブラウザ上でのトレーニングと転移学習などについて学ぶことができます。
TensorFlow Extended（TFX）を使用して独自の本番環境用 ML パイプラインを作成する方法を TensorFlow チームが解説する 5 部構成のシリーズ。
この Google I/O のセッションでは、機械学習を使用したモバイルアプリとエッジデバイスの強化に使用できるさまざまなオプションをわかりやすく説明します。TensorFlow Lite を使用してモデルをトレーニングする方法と、それらのモデルをさまざまなデバイスで使用する方法を学ぶことができます。
数学の概念
次のリソースでは、ML の基礎となる数学の概念を理解して ML の知識をさらに深め、より高度なスキルを身に付けることができます。
Machine Learning Crash Course with TensorFlow API は、機械学習を実践的に利用しようとしている方向けの自習ガイドです。ビデオ講義シリーズ、実世界のケーススタディ、ハンズオン演習を通じて機械学習を学べます。
Coursera が提供するこのオンライン専門講座の目的は、数学と機械学習の間のギャップを埋めることです。機械学習の基礎となる数学の知識をスピーディーに身に付けることで直感的な理解力を養い、機械学習とデータ サイエンスに関連付けることができます。
3blue1brown では、主に数学を視覚的に解説することに取り組んでいます。この動画シリーズでは、ニューラル ネットワークの基本と、ニューラル ネットワークの仕組みを数学の概念を通じて学ぶことができます。
マトリックス、行列式、固有値などを、幾何学の観点から視覚的に学べる 3blue1brown の短い動画シリーズ。
3blue1brown の短い動画シリーズでは、微積分の基礎を視覚的に説明しています。方程式の仕組みだけでなく、基本となる定理をしっかりと理解できます。
MIT が提供するこの入門コースでは、行列理論と線形代数を学ぶことができます。連立方程式、ベクトル空間、行列式、固有値、相似、正定値行列など、他の分野でも役に立つトピックが重点的に取り上げられています。
MIT が提供するこの微積分学の入門コースでは、1 変数関数の微分と積分および応用を学びます。
この書籍では、統計学習の概要をわかりやすく学ぶことができます。統計学習は、機械学習でモデルをトレーニングするために必要となる、広大かつ複雑なデータセットの世界を理解するために不可欠なツールセットです。
人間中心の AI
ML モデルを設計したり AI アプリケーションを構築する際は、プロダクトに触れるユーザーについて考慮し、公平性、解釈可能性、プライバシー、セキュリティを AI システムに組み込む最善の方法を検討することが重要です。
Google のこのガイドブックを活用することで、人間中心の AI プロダクトを作成できるようになります。一般的なミスを回避し、優れたエクスペリエンスを設計して、人間を中心に考えて AI アプリケーションを構築できるようになります。
Google の MLCC で利用できるこの 1 時間のモジュールでは、トレーニング データに見られる人間のさまざまなバイアスと、それによる影響を発見、評価するための戦略をご紹介します。