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.
Rozpocznij 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 projektach. Zacznij od naszych programów nauczania, które mają na celu poszerzenie Twojej wiedzy, lub wybierz własną ścieżkę, eksplorując naszą bibliotekę zasobów.
Programy nauczania TensorFlow
Rozpocznij naukę z jednym z naszych programów z przewodnikiem, zawierającym zalecane 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 z samouczkami dla początkujących.
Kiedy już 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 języku JavaScript i dowiedz się, jak wdrażać je bezpośrednio w przeglądarce. Otrzymasz ogólne wprowadzenie na temat głębokiego uczenia się oraz rozpoczęcia pracy z TensorFlow.js poprzez praktyczne ćwiczenia.
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 studentów zainteresowanych większą wiedzą.
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 oraz 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.
Z tego kursu online opracowanego przez zespół TensorFlow i Udacity dowiesz się, jak tworzyć aplikacje do głębokiego uczenia za pomocą TensorFlow.
W ramach tej czterokursowej 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 uczenia głębokiego 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, która bada zarówno szkolenie, jak i wykonywanie modeli uczonych maszynowo za pomocą TensorFlow.js, i pokazuje, 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 wiedzę dotyczącą uczenia maszynowego, te zasoby mogą pomóc w zrozumieniu podstawowych pojęć matematycznych niezbędnych do osiągnięcia wyższego poziomu zaawansowania.
Kurs Machine Learning Crash Course z interfejsami API TensorFlow 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 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 statystyki, podstawowego zestawu narzędzi do zrozumienia rozległego i złożonego świata zbiorów danych potrzebnych do trenowania modeli w uczeniu maszynowym.
AI skoncentrowana na człowieku
Projektując model ML lub budując aplikacje oparte na sztucznej inteligencji, ważne jest, aby wziąć pod uwagę osoby wchodzące w interakcję z produktem i najlepszy sposób budowania uczciwości, interpretowalności, prywatności i bezpieczeństwa w tych systemach AI.
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 godzinny 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.