Domine seu programa
Para se tornar um especialista em machine learning, primeiro você precisa de uma base sólida em quatro áreas de aprendizagem: programação, matemática, teoria de ML e criação de um projeto de ML do início ao fim.
Comece com os currículos selecionados do TensorFlow para aprimorar essas quatro habilidades ou escolha seu próprio programa de aprendizado na nossa biblioteca de recursos abaixo.
As quatro áreas da educação em machine learning
Ao iniciar um programa de aprendizado, é importante primeiro entender como aprender o ML. Dividimos o processo de aprendizagem em quatro áreas do conhecimento. Cada uma delas mostra uma peça fundamental do quebra-cabeças do ML. Para facilitar esse processo, identificamos livros, vídeos e cursos on-line que ajudarão você a aperfeiçoar suas habilidades e a se preparar para usar o ML nos seus projetos. Comece com os currículos guiados feitos para aumentar seus conhecimentos ou escolha seu próprio programa na nossa biblioteca de recursos.
Currículos do TensorFlow
Comece a aprender com um dos nossos currículos guiados, que incluem cursos, livros e vídeos recomendados.
Aprenda o básico do ML com esta coleção de livros e cursos on-line. Você conhecerá o ML com o scikit-learn, por meio do aprendizado profundo usando o TensorFlow 2.0, e poderá praticar o que aprendeu com os tutoriais para iniciantes.
Depois de entender o básico do machine learning, aperfeiçoe suas habilidades com lições teóricas sobre as redes neurais, estudos sobre o aprendizado profundo e expanda seu conhecimento sobre os conceitos matemáticos essenciais.
Aprenda as noções básicas do desenvolvimento de modelos de machine learning no JavaScript e saiba como fazer a implantação diretamente no navegador. Você verá uma introdução de alto nível sobre o aprendizado profundo e aprenderá a usar o TensorFlow.js por meio de exercícios práticos.
Recursos educacionais
Escolha seu próprio programa de aprendizado e acesse livros, cursos, vídeos e exercícios recomendados pela equipe do TensorFlow para aprender os fundamentos do ML.
Livros
Ler é uma das melhores maneiras de entender os conceitos básicos do ML e do aprendizado profundo. Os livros podem oferecer o entendimento teórico necessário para ajudar você a aprender novos conceitos mais rapidamente no futuro.
Este livro é uma introdução prática ao aprendizado profundo com Keras.
Com exemplos concretos, pouca teoria e dois frameworks Python prontos para produção (Scikit-Learn e TensorFlow), este livro ajuda você a ter uma compreensão intuitiva dos conceitos e das ferramentas para criar sistemas inteligentes.
Este manual de aprendizado profundo é um recurso criado para ajudar estudantes e profissionais a entrar no campo geral do machine learning e conhecer em detalhes o aprendizado profundo.
Este livro mostra o contexto teórico das redes neurais. A publicação não aborda o TensorFlow, mas é uma ótima referência para estudantes interessados em saber mais.
Escrito pelos principais autores da biblioteca do TensorFlow, este livro mostra casos de uso fascinantes e instruções detalhadas para apps de aprendizado profundo em JavaScript no navegador ou no Node.
Cursos on-line em várias partes
Fazer um curso on-line dividido em várias partes é uma boa maneira de aprender os conceitos básicos do ML. Diversos cursos oferecem ótimas explicações por meio de recursos visuais, bem como ferramentas necessárias para começar a usar o machine learning diretamente no trabalho ou em projetos pessoais.
Você aprendeu a desenvolver e treinar modelos. Agora, veja como lidar com diversos cenários de implantação e usar os dados com mais eficácia para treinar seu modelo nesta especialização de quatro cursos.
Desenvolvido em colaboração com a equipe do TensorFlow, este curso é parte da especialização "TensorFlow in Practice" e ensinará as práticas recomendadas de uso da plataforma.
Neste curso on-line desenvolvido pela equipe do TensorFlow e a Udacity, você aprenderá a criar apps de aprendizado profundo com o TensorFlow.
Nesta especialização de quatro cursos ministrada por um desenvolvedor da plataforma, você conhecerá as ferramentas usadas para criar algoritmos com tecnologia de IA escalonáveis no TensorFlow.
Em cinco cursos, você aprenderá os fundamentos do aprendizado profundo, descobrirá como criar redes neurais e saberá como conduzir projetos bem-sucedidos de machine learning para desenvolver uma carreira na área de IA. Além dominar a teoria, você também verá como ela é usada no setor.
Este curso traz lições detalhadas sobre as arquiteturas de aprendizado profundo com um foco no ensino de modelos completos para tarefas de visão computacional, especialmente a classificação de imagens. Consulte os vídeos de aulas, os slides e as observações dos planos de ensino dos cursos anteriores.
Neste curso do MIT, você adquirirá conhecimentos básicos de algoritmos de aprendizado profundo e terá experiências práticas na criação de redes neurais no TensorFlow.
Outros recursos
Reunimos nossos cursos favoritos para ajudar desenvolvedores da Web e de dispositivos móveis e usuários que querem começar a criar pipelines de produção, incluindo as bibliotecas do TensorFlow e frameworks específicos para suas necessidades.
Com o deeplearn.js, você pode descobrir como os sistemas de aprendizado profundo aprendem e examinar como eles pensam.
Uma série em três partes que aborda o treinamento e a execução de modelos de machine learning com o TensorFlow.js. Além disso, o curso mostra como criar um modelo de ML no JavaScript que é executado diretamente no navegador.
Parte de uma série maior sobre o machine learning e a criação de redes neurais, esta playlist de vídeos tem como tema central o TensorFlow.js, a API principal e orientações sobre o uso da biblioteca do JavaScript para treinar e implantar modelos de ML.
Esta série apresenta o conceito das redes neurais artificiais do lado do cliente. Saiba mais sobre as arquiteturas de aprendizado profundo cliente-servidor, a conversão de modelos do Keras para TFJS, a exibição de modelos com o Node.js, o treinamento e o aprendizado por transferência no navegador e muito mais.
Uma série de cinco partes da equipe do TensorFlow sobre como usar o TensorFlow Extended (TFX) para criar seus próprios pipelines de produção de ML.
Esta sessão da Google I/O desmistificará as várias opções disponíveis de uso do machine learning para aprimorar apps para dispositivos móveis e dispositivos de Edge. Saiba como o TensorFlow Lite pode ser usado para treinar modelos e aprenda a usá-los em uma variedade de dispositivos.
Conceitos matemáticos
Esses recursos podem ajudar você a entender os conceitos matemáticos básicos necessários para avançar ao próximo nível e aprofundar seu conhecimento em ML.
O Curso intensivo de machine learning com APIs do TensorFlow é um guia de estudo para os que querem ser profissionais de machine learning. Ele oferece uma série de lições com videoaulas, estudos de caso reais e exercícios práticos.
Esta especialização on-line do Coursera busca relacionar a matemática e o machine learning, oferecendo atualizações da matemática básica para você criar um entendimento intuitivo e poder relacionar essa disciplina ao machine learning e à ciência de dados.
O objetivo da 3blue1brown é apresentar a matemática por meio de uma abordagem que prioriza o conteúdo visual. Nesta série de vídeos, você aprenderá as noções básicas de uma rede neural e entenderá como ela funciona por meio de conceitos matemáticos.
Série de vídeos curtos da 3blue1brown que explica matrizes a partir de uma perspectiva geométrica, determinantes, itens da biblioteca Eigen e muito mais.
Série de vídeos curtos da 3blue1brown que explica os fundamentos do cálculo para você entender melhor os principais teoremas, e não só como as equações funcionam.
Este curso introdutório do MIT aborda a teoria das matrizes e a álgebra linear. O currículo enfatiza assuntos que serão úteis em outras disciplinas, incluindo sistemas de equações, espaços de vetor, determinantes, valores eigen, semelhança e matrizes definitivas positivas.
Este curso introdutório de cálculo do MIT aborda a diferenciação e a integração de funções de uma variável, além de como aplicar esse conhecimento
Uma introdução visual à probabilidade e à estatística.
Este livro mostra uma visão geral acessível do campo de aprendizagem estatística, que apresenta ferramentas essenciais para entender o vasto e complexo mundo de conjuntos de dados necessários para treinar modelos de machine learning.
IA centrada em pessoas
Ao criar um modelo de ML ou aplicativos orientados por IA, é importante considerar as pessoas que interagem com o produto e avaliar a melhor maneira de ter imparcialidade, interpretabilidade, privacidade e segurança nesses sistemas.
Saiba como integrar as práticas da AI Responsible ao seu fluxo de trabalho de ML usando o TensorFlow.
Este manual do Google ajudará você a criar produtos de IA centrada em pessoas. Com esse recurso, você pode aprender a evitar erros comuns, criar experiências excelentes e concentrar-se nas pessoas ao produzir aplicativos orientados por IA.
Este módulo de uma hora no MLCC do Google apresenta diferentes tipos de vieses humanos que podem se manifestar nos dados de treinamento, bem como estratégias para identificar e avaliar os efeitos gerados.