Opanuj swoją ścieżkę
Aby zostać ekspertem w dziedzinie uczenia maszynowego, najpierw potrzebujesz solidnych podstaw w czterech obszarach uczenia się : kodowaniu, matematyce, teorii uczenia maszynowego i tworzeniu własnego projektu ML od początku do końca.
Zacznij od programów nauczania opracowanych przez TensorFlow, aby poprawić te cztery umiejętności, lub wybierz własną ścieżkę uczenia się, przeglądając poniższą bibliotekę zasobów .
Cztery obszary edukacji maszynowej
Rozpoczynając swoją ścieżkę edukacyjną, ważne jest, aby najpierw zrozumieć, jak nauczyć się ML. Podzieliliśmy proces uczenia się na cztery obszary wiedzy, z których każdy stanowi fundamentalny element układanki ML. Aby pomóc Ci na Twojej ścieżce, zidentyfikowaliśmy książki, filmy i kursy online, które podniosą Twoje umiejętności i przygotują do korzystania z ML w Twoich projektach. Zacznij od naszych programów z przewodnikiem, zaprojektowanych w celu poszerzenia swojej wiedzy, lub wybierz własną ścieżkę, eksplorując naszą bibliotekę zasobów.
Programy nauczania TensorFlow
Rozpocznij naukę od jednego z naszych programów z przewodnikiem, zawierającego polecane kursy, książki i filmy.
Poznaj podstawy ML dzięki tej kolekcji książek i kursów online. Zostaniesz wprowadzony do ML za pomocą scikit-learn, poprowadzony przez głębokie uczenie za pomocą TensorFlow 2.0, a następnie będziesz miał okazję przećwiczyć to, czego się nauczyłeś, dzięki samouczkom dla początkujących.
Gdy zrozumiesz podstawy uczenia maszynowego, przenieś swoje umiejętności na wyższy poziom, zagłębiając się w teoretyczne zrozumienie sieci neuronowych, głębokiego uczenia się i poszerzając swoją wiedzę na temat podstawowych pojęć matematycznych.
Poznaj podstawy tworzenia modeli uczenia maszynowego w JavaScript i dowiedz się, jak wdrażać je bezpośrednio w przeglądarce. Otrzymasz ogólne wprowadzenie na temat głębokiego uczenia się i rozpoczęcia pracy z TensorFlow.js poprzez ćwiczenia praktyczne.
Zasoby edukacyjne
Wybierz własną ścieżkę nauczania i zapoznaj się z książkami, kursami, filmami wideo i ćwiczeniami polecanymi przez zespół TensorFlow, aby nauczyć Cię podstaw ML.
Książki
Czytanie to jeden z najlepszych sposobów zrozumienia podstaw ML i uczenia głębokiego. Książki mogą dać ci wiedzę teoretyczną niezbędną do szybszego uczenia się nowych pojęć w przyszłości.
Ta książka jest praktycznym, praktycznym wprowadzeniem do Deep Learning z Kerasem.
Korzystając z konkretnych przykładów, minimalnej teorii i dwóch gotowych do produkcji frameworków Pythona - Scikit-Learn i TensorFlow - ta książka pomaga w intuicyjnym zrozumieniu koncepcji i narzędzi służących do tworzenia inteligentnych systemów.
Ten podręcznik do uczenia głębokiego jest zasobem, który ma pomóc uczniom i praktykom wejść ogólnie w dziedzinę uczenia maszynowego, aw szczególności uczenia głębokiego.
Ta książka zawiera teoretyczne podstawy sieci neuronowych. Nie korzysta z TensorFlow, ale jest świetnym punktem odniesienia dla uczniów, którzy chcą dowiedzieć się więcej.
Napisana przez głównych autorów biblioteki TensorFlow, ta książka zawiera fascynujące przypadki użycia i szczegółowe instrukcje dotyczące aplikacji do głębokiego uczenia się w JavaScript w przeglądarce lub na Node.
Wieloczęściowe kursy online
Udział w wieloczęściowym kursie online to dobry sposób na poznanie podstawowych pojęć ML. Wiele kursów zapewnia świetne wizualne wyjaśnienia i narzędzia potrzebne do rozpoczęcia stosowania uczenia maszynowego bezpośrednio w pracy lub przy własnych projektach.
Nauczyłeś się budować i trenować modele. Teraz naucz się poruszać po różnych scenariuszach wdrażania i efektywniej wykorzystywać dane do trenowania modelu w ramach tej czterokresowej specjalizacji.
Opracowany we współpracy z zespołem TensorFlow, ten kurs jest częścią specjalizacji TensorFlow w praktyce i nauczy Cię najlepszych praktyk korzystania z TensorFlow.
W tym kursie online opracowanym przez zespół TensorFlow i Udacity dowiesz się, jak tworzyć aplikacje do głębokiego uczenia za pomocą TensorFlow.
W ramach tej czterokresowej specjalizacji prowadzonej przez programistę TensorFlow poznasz narzędzia i programiści, których używają do tworzenia skalowalnych algorytmów opartych na sztucznej inteligencji w TensorFlow.
Podczas pięciu kursów nauczysz się podstaw Deep Learning, zrozumiesz, jak budować sieci neuronowe i nauczysz się, jak prowadzić udane projekty uczenia maszynowego i budować karierę w AI. Opanujesz nie tylko teorię, ale także zobaczysz, jak jest stosowana w przemyśle.
Ten kurs jest dogłębnym zagłębieniem się w szczegóły architektur głębokiego uczenia się, ze szczególnym uwzględnieniem uczenia się od końca do końca modeli dla zadań widzenia komputerowego, w szczególności klasyfikacji obrazów. Przeglądaj filmy z wykładami, slajdy i wcześniejsze notatki programowe z poprzednich iteracji kursu.
Na tym kursie z MIT zdobędziesz podstawową wiedzę na temat algorytmów głębokiego uczenia się i zdobędziesz praktyczne doświadczenie w budowaniu sieci neuronowych w TensorFlow.
Inne zasoby
Dla programistów mobilnych i internetowych oraz użytkowników, którzy chcą tworzyć potoki produkcyjne, zebraliśmy nasze ulubione zasoby, które pomogą Ci rozpocząć, w tym nasze biblioteki TensorFlow i struktury dostosowane do Twoich potrzeb.
Korzystając z deeplearn.js, dowiedz się, jak systemy uczenia głębokiego uczą się i zbadaj, jak myślą.
Trzyczęściowa seria poświęcona uczeniu i wykonywaniu modeli uczenia maszynowego za pomocą TensorFlow.js i pokazująca, jak utworzyć model uczenia maszynowego w języku JavaScript, który jest wykonywany bezpośrednio w przeglądarce.
Ta lista odtwarzania wideo, będąca częścią większej serii poświęconej uczeniu maszynowemu i budowaniu sieci neuronowych, skupia się na TensorFlow.js, podstawowym interfejsie API oraz na tym, jak używać biblioteki JavaScript do trenowania i wdrażania modeli ML.
Ta seria wprowadza koncepcję sztucznych sieci neuronowych po stronie klienta. Dowiedz się o architekturach głębokiego uczenia klient-serwer, konwertowaniu modeli Keras do modeli TFJS, obsłudze modeli za pomocą Node.js, szkoleniach i transferach uczenia się w przeglądarce i nie tylko.
Pięcioczęściowa seria opracowana przez zespół TensorFlow dotycząca używania TensorFlow Extended (TFX) do tworzenia własnych potoków produkcyjnych ML.
Ta sesja z Google I / O demistyfikuje różne dostępne opcje wykorzystania uczenia maszynowego do ulepszania aplikacji mobilnych i urządzeń brzegowych. Dowiedz się, jak TensorFlow Lite może być używany do trenowania modeli i jak ich używać na różnych urządzeniach.
Pojęcia matematyczne
Aby pogłębić swoją wiedzę dotyczącą ML, te zasoby mogą pomóc w zrozumieniu podstawowych pojęć matematycznych niezbędnych do osiągnięcia wyższego poziomu zaawansowania.
The Machine Learning Crash Course with TensorFlow APIs to przewodnik do samodzielnej nauki dla początkujących praktyków uczenia maszynowego. Obejmuje serię lekcji z wykładami wideo, praktycznymi studiami przypadków i praktycznymi ćwiczeniami praktycznymi.
Ta internetowa specjalizacja od Coursera ma na celu wypełnienie luki w matematyce i uczeniu maszynowym, przyspieszenie podstaw matematyki w celu zbudowania intuicyjnego zrozumienia i powiązanie jej z uczeniem maszynowym i nauką o danych.
3blue1brown skupia się na prezentowaniu matematyki z podejściem wizualnym. W tej serii filmów dowiesz się, jak działa sieć neuronowa, korzystając z pojęć matematycznych.
Seria krótkich, wizualnych filmów z 3blue1brown wyjaśniających geometryczne rozumienie macierzy, wyznaczników, elementów własnych i nie tylko.
Seria krótkich, wizualnych filmów z 3blue1brown, które wyjaśniają podstawy rachunku różniczkowego w sposób, który daje dobre zrozumienie podstawowych twierdzeń, a nie tylko sposobu działania równań.
Ten kurs wprowadzający z MIT obejmuje teorię macierzy i algebrę liniową. Nacisk kładzie się na tematy, które będą przydatne w innych dyscyplinach, w tym układy równań, przestrzenie wektorowe, wyznaczniki, wartości własne, podobieństwo i macierze dodatnio określone.
Ten wprowadzający kurs matematyki z MIT obejmuje różniczkowanie i integrację funkcji jednej zmiennej z aplikacjami.
Wizualne wprowadzenie do prawdopodobieństwa i statystyki.
Ta książka zawiera przystępny przegląd dziedziny uczenia się statystycznego, podstawowego zestawu narzędzi do zrozumienia rozległego i złożonego świata zbiorów danych potrzebnych do trenowania modeli w uczeniu maszynowym.
AI skoncentrowana na człowieku
Podczas projektowania modelu ML lub tworzenia aplikacji opartych na sztucznej inteligencji ważne jest, aby wziąć pod uwagę osoby wchodzące w interakcję z produktem i najlepszy sposób na zbudowanie uczciwości, interpretowalności, prywatności i bezpieczeństwa w tych systemach sztucznej inteligencji.
Dowiedz się, jak zintegrować odpowiedzialne praktyki sztucznej inteligencji z przepływem pracy ML za pomocą TensorFlow.
Ten przewodnik od Google pomoże Ci tworzyć produkty oparte na sztucznej inteligencji zorientowane na człowieka. Pozwoli Ci to uniknąć typowych błędów, zaprojektować doskonałe doświadczenia i skupić się na ludziach podczas tworzenia aplikacji opartych na sztucznej inteligencji.
Ten jednogodzinny moduł w ramach Google MLCC przedstawia uczniom różne typy ludzkich uprzedzeń, które mogą objawiać się w danych szkoleniowych, a także strategie identyfikacji i oceny ich skutków.