Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Освойте свой путь
Чтобы стать экспертом в области машинного обучения, вам сначала понадобится прочная основа в четырех областях обучения : программирование, математика, теория машинного обучения и создание собственного проекта машинного обучения от начала до конца.
Начиная свой образовательный путь, важно сначала понять, как изучать ML. Мы разбили процесс обучения на четыре области знаний, каждая из которых представляет собой основополагающую часть головоломки ML. Чтобы помочь вам на этом пути, мы выбрали книги, видео и онлайн-курсы, которые повысят ваши способности и подготовят вас к использованию машинного обучения в ваших проектах. Начните с наших управляемых учебных программ, предназначенных для расширения ваших знаний, или выберите свой собственный путь, изучив нашу библиотеку ресурсов.
Навыки кодирования. Создание моделей машинного обучения требует гораздо большего, чем просто знание концепций машинного обучения — оно требует кодирования для управления данными, настройки параметров и анализа результатов, необходимых для тестирования и оптимизации вашей модели.
Математика и статистика. ML — это сложная математическая дисциплина, поэтому, если вы планируете изменять модели ML или создавать новые с нуля, знакомство с основными математическими концепциями имеет решающее значение для этого процесса.
Теория машинного обучения. Знание основ теории машинного обучения даст вам основу для дальнейшего развития и поможет вам устранять неполадки, если что-то пойдет не так.
Создавайте свои собственные проекты. Получение практического опыта работы с машинным обучением — лучший способ проверить свои знания, поэтому не бойтесь сразу же приступить к простой совместной работе или учебному пособию , чтобы попрактиковаться.
Учебные программы TensorFlow
Начните обучение с одной из наших учебных программ, содержащих рекомендуемые курсы, книги и видео.
Изучите основы машинного обучения с помощью этой коллекции книг и онлайн-курсов. Вы познакомитесь с машинным обучением и проведете глубокое обучение с использованием TensorFlow 2.0. Затем у вас будет возможность практиковать полученные знания с помощью уроков для начинающих.
Как только вы поймете основы машинного обучения, поднимите свои способности на новый уровень, погрузившись в теоретическое понимание нейронных сетей, глубокое обучение и улучшив свои знания основных математических концепций.
Изучите основы разработки моделей машинного обучения на JavaScript и способы их развертывания непосредственно в браузере. С помощью практических упражнений вы получите общее представление о глубоком обучении и о том, как начать работу с TensorFlow.js.
Образовательные ресурсы
Выберите свой собственный путь обучения и изучите книги, курсы, видеоролики и упражнения, рекомендованные командой TensorFlow, чтобы научить вас основам машинного обучения.
Книги
Онлайн курсы
Математические понятия
Ресурсы ТФ
Человеко-ориентированный ИИ
Книги
Чтение — один из лучших способов понять основы машинного обучения и глубокого обучения. Книги могут дать вам теоретическое понимание, необходимое, чтобы помочь вам быстрее освоить новые концепции в будущем.
В этой вводной книге представлен подход «сначала код», позволяющий научиться реализовывать наиболее распространенные сценарии машинного обучения, такие как компьютерное зрение, обработка естественного языка (NLP) и моделирование последовательностей для веб-, мобильных, облачных и встроенных сред выполнения.
Используя конкретные примеры, минимум теории и две готовые к использованию среды Python — Scikit-Learn и TensorFlow, — эта книга поможет вам получить интуитивное понимание концепций и инструментов для построения интеллектуальных систем.
Этот учебник по глубокому обучению представляет собой ресурс, призванный помочь студентам и практикам освоить область машинного обучения в целом и глубокого обучения в частности.
В этой книге представлены теоретические основы нейронных сетей. Он не использует TensorFlow, но является отличным справочником для студентов, желающих узнать больше.
Практический комплексный подход к основам TensorFlow.js для широкой технической аудитории. Прочитав эту книгу, вы узнаете, как создавать и развертывать готовые к использованию системы глубокого обучения с помощью TensorFlow.js.
Шаньцин Цай, Стэнли Билески, Эрик Д. Нильсен с Франсуа Шоле
В этой книге, написанной основными авторами библиотеки TensorFlow, представлены увлекательные примеры использования и подробные инструкции по приложениям глубокого обучения на JavaScript в вашем браузере или на Node.
Прохождение онлайн-курса, состоящего из нескольких частей, — хороший способ изучить базовые концепции машинного обучения. Многие курсы предоставляют отличные визуальные пояснения и инструменты, необходимые для того, чтобы начать применять машинное обучение непосредственно на работе или в ваших личных проектах.
Этот курс, разработанный в сотрудничестве с командой TensorFlow, является частью специализации разработчиков TensorFlow и научит вас лучшим практикам использования TensorFlow.
В рамках этой специализации из четырех курсов, которую ведет разработчик TensorFlow, вы познакомитесь с инструментами и разработчиками программного обеспечения, которые используют для создания масштабируемых алгоритмов на базе искусственного интеллекта в TensorFlow.
Ускоренный курс машинного обучения с API-интерфейсами TensorFlow — это руководство для самообучения для начинающих практиков машинного обучения. Он включает в себя серию уроков с видеолекциями, практическими примерами и практическими упражнениями.
На этом курсе Массачусетского технологического института вы получите базовые знания об алгоритмах глубокого обучения и получите практический опыт построения нейронных сетей в TensorFlow.
За пять курсов вы изучите основы глубокого обучения, поймете, как строить нейронные сети, а также научитесь руководить успешными проектами машинного обучения и строить карьеру в области искусственного интеллекта. Вы освоите не только теорию, но и увидите, как она применяется в промышленности.
Вы научились создавать и обучать модели. Теперь научитесь ориентироваться в различных сценариях развертывания и более эффективно использовать данные для обучения своей модели по этой специализации, состоящей из четырех курсов.
Эта специализация предназначена для инженеров программного обеспечения и машинного обучения с базовым пониманием TensorFlow, которые хотят расширить свои знания и навыки, изучая расширенные функции TensorFlow для создания мощных моделей.
Узнайте, как привлечь больше внимания к своим передовым исследованиям или реализовать сверхмощные возможности своих веб-приложений в будущей работе для своих клиентов или компании, в которой вы работаете, с помощью машинного обучения через Интернет.
Чтобы углубить свои знания в области машинного обучения, эти ресурсы помогут вам понять основные математические концепции, необходимые для продвижения на более высоком уровне.
Взгляд с высоты птичьего полета на линейную алгебру для машинного обучения. Никогда не изучали линейную алгебру или немного разбираетесь в ее основах и хотите понять, как она используется в машинном обучении? Тогда это видео для вас.
Эта онлайн-специализация Coursera призвана преодолеть разрыв в математике и машинном обучении, помочь вам освоить базовую математику и сформировать интуитивное понимание, а также связать ее с машинным обучением и наукой о данных.
3blue1brown посвящен представлению математики с использованием визуального подхода. В этой серии видео вы изучите основы нейронной сети и то, как она работает, с помощью математических концепций.
Серия коротких наглядных видеороликов от 3blue1brown, которые объясняют геометрическое понимание матриц, определителей, собственных чисел и многого другого.
Серия коротких наглядных видеороликов от 3blue1brown, которые объясняют основы исчисления таким образом, чтобы дать вам четкое представление о фундаментальных теоремах, а не только о том, как работают уравнения.
Этот вводный курс Массачусетского технологического института охватывает теорию матриц и линейную алгебру. Особое внимание уделяется темам, которые будут полезны в других дисциплинах, включая системы уравнений, векторные пространства, определители, собственные значения, подобие и положительно определенные матрицы.
Этот вводный курс математического анализа от Массачусетского технологического института охватывает дифференцирование и интегрирование функций одной переменной с приложениями.
Гарет Джеймс, Даниэла Виттен, Тревор Хэсти и Роб Тибширани
Эта книга представляет собой доступный обзор области статистического обучения и представляет собой важный набор инструментов для понимания огромного и сложного мира наборов данных, необходимых для обучения моделей машинного обучения.
Мы собрали наши любимые ресурсы, которые помогут вам начать работу с библиотеками и платформами TensorFlow, отвечающими вашим потребностям. Перейдите в наши разделы для TensorFlow.js , TensorFlow Lite и TFX .
Вы также можете просмотреть официальное руководство и учебные пособия по TensorFlow, чтобы найти новейшие примеры и совместные работы.
Этот доклад по технологиям ML предназначен для тех, кто знает основы машинного обучения, но нуждается в обзоре основ TensorFlow (тензоры, переменные и градиенты без использования API высокого уровня).
Этот доклад по технологиям ML включает изучение представлений, семейства нейронных сетей и их приложений, первый взгляд на глубокую нейронную сеть, а также множество примеров кода и концепций из TensorFlow.
В этой серии команда TensorFlow рассматривает различные части TensorFlow с точки зрения кодирования, показывая видеоролики об использовании высокоуровневых API TensorFlow, обработке естественного языка, нейронном структурированном обучении и многом другом.
Научитесь определять наиболее распространенные варианты использования машинного обучения, включая анализ мультимедиа, создание интеллектуального поиска, преобразование данных и способы их быстрого внедрения в ваше приложение с помощью удобных инструментов.
Получите практические навыки использования машинного обучения в браузере с помощью JavaScript. Узнайте, как писать собственные модели с чистого листа, переобучать модели с помощью трансферного обучения и преобразовывать модели из Python.
Практический комплексный подход к основам TensorFlow.js для широкой технической аудитории. Прочитав эту книгу, вы узнаете, как создавать и развертывать готовые к использованию системы глубокого обучения с помощью TensorFlow.js.
Серия из трех частей, в которой рассматривается обучение и выполнение моделей машинного обучения с помощью TensorFlow.js, а также показано, как создать модель машинного обучения в JavaScript, которая выполняется непосредственно в браузере.
Пройдите путь от нуля до героя с помощью веб-ML, используя TensorFlow.js. Узнайте, как создавать веб-приложения нового поколения, которые могут работать на стороне клиента и использоваться практически на любом устройстве.
Этот плейлист, являющийся частью более крупной серии о машинном обучении и построении нейронных сетей, посвящен TensorFlow.js, основному API, а также тому, как использовать библиотеку JavaScript для обучения и развертывания моделей машинного обучения.
Узнайте, как создать свое первое приложение машинного обучения на устройстве, воспользовавшись схемами обучения, которые предоставляют пошаговые руководства для распространенных случаев использования, включая классификацию аудио, визуальный поиск продуктов и многое другое.
Узнайте, как развертывать модели глубокого обучения на мобильных и встроенных устройствах с помощью TensorFlow Lite, из этого курса, разработанного командой TensorFlow и Udacity в качестве практического подхода к развертыванию моделей для разработчиков программного обеспечения.
Узнайте на практике, как собрать систему производственного конвейера с помощью TFX. Мы быстро рассмотрим все: от сбора данных, построения моделей до развертывания и управления.
Эта книга расскажет вам, как автоматизировать конвейер машинного обучения с использованием экосистемы TensorFlow. Примеры машинного обучения в этой книге основаны на TensorFlow и Keras, но основные концепции можно применить к любой платформе.
Расширьте свои возможности в области производственного инжиниринга по этой специализации, состоящей из четырех курсов. Узнайте, как концептуализировать, создавать и поддерживать интегрированные системы, которые непрерывно работают в производстве.
В этом расширенном курсе рассматриваются компоненты TFX, оркестровка и автоматизация конвейеров, а также управление метаданными машинного обучения с помощью Google Cloud.
При разработке модели машинного обучения или создании приложений на основе искусственного интеллекта важно учитывать людей, взаимодействующих с продуктом, и лучший способ обеспечить справедливость, интерпретируемость, конфиденциальность и безопасность в этих системах искусственного интеллекта.
Это руководство от Google поможет вам создавать ориентированные на человека продукты искусственного интеллекта. Это позволит вам избежать распространенных ошибок, создавать превосходные условия и сосредоточиться на людях при создании приложений на основе искусственного интеллекта.
Этот часовой модуль в рамках MLCC Google знакомит учащихся с различными типами человеческих предубеждений, которые могут проявляться в обучающих данных, а также со стратегиями выявления и оценки их последствий.
Чтобы стать экспертом в области машинного обучения, вам сначала понадобится прочная основа в четырех областях обучения : программирование, математика, теория машинного обучения и создание собственного проекта машинного обучения от начала до конца.
Начиная свой образовательный путь, важно сначала понять, как изучать ML. Мы разбили процесс обучения на четыре области знаний, каждая из которых представляет собой основополагающую часть головоломки ML. Чтобы помочь вам на этом пути, мы выбрали книги, видео и онлайн-курсы, которые повысят ваши способности и подготовят вас к использованию машинного обучения в ваших проектах. Начните с наших управляемых учебных программ, предназначенных для расширения ваших знаний, или выберите свой собственный путь, изучив нашу библиотеку ресурсов.
Навыки кодирования. Создание моделей машинного обучения требует гораздо большего, чем просто знание концепций машинного обучения — оно требует кодирования для управления данными, настройки параметров и анализа результатов, необходимых для тестирования и оптимизации вашей модели.
Математика и статистика. ML — это сложная математическая дисциплина, поэтому, если вы планируете изменять модели ML или создавать новые с нуля, знакомство с основными математическими концепциями имеет решающее значение для этого процесса.
Теория машинного обучения. Знание основ теории машинного обучения даст вам основу для дальнейшего развития и поможет вам устранять неполадки, если что-то пойдет не так.
Создавайте свои собственные проекты. Получение практического опыта работы с машинным обучением — лучший способ проверить свои знания, поэтому не бойтесь сразу же приступить к простой совместной работе или учебному пособию , чтобы попрактиковаться.
Учебные программы TensorFlow
Начните обучение с одной из наших учебных программ, содержащих рекомендуемые курсы, книги и видео.
Изучите основы машинного обучения с помощью этой коллекции книг и онлайн-курсов. Вы познакомитесь с машинным обучением и проведете глубокое обучение с использованием TensorFlow 2.0. Затем у вас будет возможность практиковать полученные знания с помощью уроков для начинающих.
Как только вы поймете основы машинного обучения, поднимите свои способности на новый уровень, погрузившись в теоретическое понимание нейронных сетей, глубокое обучение и улучшив свои знания основных математических концепций.
Изучите основы разработки моделей машинного обучения на JavaScript и способы их развертывания непосредственно в браузере. С помощью практических упражнений вы получите общее представление о глубоком обучении и о том, как начать работу с TensorFlow.js.
Образовательные ресурсы
Выберите свой собственный путь обучения и изучите книги, курсы, видеоролики и упражнения, рекомендованные командой TensorFlow, чтобы научить вас основам машинного обучения.
Книги
Онлайн курсы
Математические понятия
Ресурсы ТФ
Человеко-ориентированный ИИ
Книги
Чтение — один из лучших способов понять основы машинного обучения и глубокого обучения. Книги могут дать вам теоретическое понимание, необходимое, чтобы помочь вам быстрее освоить новые концепции в будущем.
В этой вводной книге представлен подход «сначала код», позволяющий научиться реализовывать наиболее распространенные сценарии машинного обучения, такие как компьютерное зрение, обработка естественного языка (NLP) и моделирование последовательностей для веб-, мобильных, облачных и встроенных сред выполнения.
Используя конкретные примеры, минимум теории и две готовые к использованию платформы Python — Scikit-Learn и TensorFlow, — эта книга поможет вам получить интуитивное понимание концепций и инструментов для построения интеллектуальных систем.
Этот учебник по глубокому обучению представляет собой ресурс, призванный помочь студентам и практикам освоить область машинного обучения в целом и глубокого обучения в частности.
В этой книге представлены теоретические основы нейронных сетей. Он не использует TensorFlow, но является отличным справочником для студентов, желающих узнать больше.
Практический комплексный подход к основам TensorFlow.js для широкой технической аудитории. Прочитав эту книгу, вы узнаете, как создавать и развертывать готовые к использованию системы глубокого обучения с помощью TensorFlow.js.
Шаньцин Цай, Стэнли Билески, Эрик Д. Нильсен с Франсуа Шоле
В этой книге, написанной основными авторами библиотеки TensorFlow, представлены увлекательные примеры использования и подробные инструкции по приложениям глубокого обучения на JavaScript в вашем браузере или на Node.
Прохождение онлайн-курса, состоящего из нескольких частей, — хороший способ изучить базовые концепции машинного обучения. Многие курсы предоставляют отличные визуальные пояснения и инструменты, необходимые для того, чтобы начать применять машинное обучение непосредственно на работе или в ваших личных проектах.
Этот курс, разработанный в сотрудничестве с командой TensorFlow, является частью специализации разработчиков TensorFlow и научит вас лучшим практикам использования TensorFlow.
В рамках этой специализации из четырех курсов, которую ведет разработчик TensorFlow, вы познакомитесь с инструментами и разработчиками программного обеспечения, которые используют для создания масштабируемых алгоритмов на основе искусственного интеллекта в TensorFlow.
Ускоренный курс машинного обучения с API-интерфейсами TensorFlow — это руководство для самообучения для начинающих практиков машинного обучения. Он включает в себя серию уроков с видеолекциями, практическими примерами и практическими упражнениями.
На этом курсе Массачусетского технологического института вы получите базовые знания об алгоритмах глубокого обучения и получите практический опыт построения нейронных сетей в TensorFlow.
За пять курсов вы изучите основы глубокого обучения, поймете, как строить нейронные сети, а также научитесь руководить успешными проектами машинного обучения и строить карьеру в области искусственного интеллекта. Вы освоите не только теорию, но и увидите, как она применяется в промышленности.
Вы научились создавать и обучать модели. Теперь научитесь ориентироваться в различных сценариях развертывания и более эффективно использовать данные для обучения своей модели по этой специализации, состоящей из четырех курсов.
Эта специализация предназначена для инженеров программного обеспечения и машинного обучения с базовым пониманием TensorFlow, которые хотят расширить свои знания и навыки, изучая расширенные функции TensorFlow для создания мощных моделей.
Узнайте, как привлечь больше внимания к своим передовым исследованиям или реализовать сверхмощные возможности своих веб-приложений в будущей работе для своих клиентов или компании, в которой вы работаете, с помощью машинного обучения через Интернет.
Чтобы углубить свои знания в области машинного обучения, эти ресурсы помогут вам понять основные математические концепции, необходимые для продвижения на более высоком уровне.
Взгляд с высоты птичьего полета на линейную алгебру для машинного обучения. Никогда не изучали линейную алгебру или немного разбираетесь в ее основах и хотите понять, как она используется в машинном обучении? Тогда это видео для вас.
Эта онлайн-специализация Coursera призвана преодолеть разрыв в математике и машинном обучении, помочь вам освоить базовую математику и сформировать интуитивное понимание, а также связать ее с машинным обучением и наукой о данных.
3blue1brown посвящен представлению математики с использованием визуального подхода. В этой серии видео вы изучите основы нейронной сети и то, как она работает, с помощью математических концепций.
Серия коротких наглядных видеороликов от 3blue1brown, которые объясняют геометрическое понимание матриц, определителей, собственных чисел и многого другого.
Серия коротких наглядных видеороликов от 3blue1brown, которые объясняют основы исчисления таким образом, чтобы дать вам четкое представление о фундаментальных теоремах, а не только о том, как работают уравнения.
Этот вводный курс Массачусетского технологического института охватывает теорию матриц и линейную алгебру. Особое внимание уделяется темам, которые будут полезны в других дисциплинах, включая системы уравнений, векторные пространства, определители, собственные значения, подобие и положительно определенные матрицы.
Этот вводный курс математического анализа от Массачусетского технологического института охватывает дифференцирование и интегрирование функций одной переменной с приложениями.
Гарет Джеймс, Даниэла Виттен, Тревор Хэсти и Роб Тибширани
Эта книга представляет собой доступный обзор области статистического обучения и представляет собой важный набор инструментов для понимания огромного и сложного мира наборов данных, необходимых для обучения моделей машинного обучения.
Мы собрали наши любимые ресурсы, которые помогут вам начать работу с библиотеками и платформами TensorFlow, отвечающими вашим потребностям. Перейдите в наши разделы для TensorFlow.js , TensorFlow Lite и TFX .
Вы также можете просмотреть официальное руководство и учебные пособия по TensorFlow, чтобы найти новейшие примеры и совместные работы.
Этот доклад по технологиям ML предназначен для тех, кто знает основы машинного обучения, но нуждается в обзоре основ TensorFlow (тензоры, переменные и градиенты без использования API высокого уровня).
Этот доклад по технологиям ML включает изучение представлений, семейства нейронных сетей и их приложений, первый взгляд на глубокую нейронную сеть, а также множество примеров кода и концепций из TensorFlow.
В этой серии команда TensorFlow рассматривает различные части TensorFlow с точки зрения кодирования, показывая видеоролики об использовании высокоуровневых API TensorFlow, обработке естественного языка, нейронном структурированном обучении и многом другом.
Научитесь определять наиболее распространенные варианты использования машинного обучения, включая анализ мультимедиа, создание интеллектуального поиска, преобразование данных и способы их быстрого внедрения в ваше приложение с помощью удобных инструментов.
Получите практические навыки использования машинного обучения в браузере с помощью JavaScript. Узнайте, как писать собственные модели с чистого листа, переобучать модели с помощью трансферного обучения и преобразовывать модели из Python.
Практический комплексный подход к основам TensorFlow.js для широкой технической аудитории. Прочитав эту книгу, вы узнаете, как создавать и развертывать готовые к использованию системы глубокого обучения с помощью TensorFlow.js.
Серия из трех частей, в которой рассматривается обучение и выполнение моделей машинного обучения с помощью TensorFlow.js, а также показано, как создать модель машинного обучения в JavaScript, которая выполняется непосредственно в браузере.
Пройдите путь от нуля до героя с помощью веб-ML, используя TensorFlow.js. Узнайте, как создавать веб-приложения нового поколения, которые могут работать на стороне клиента и использоваться практически на любом устройстве.
Этот плейлист, являющийся частью более крупной серии о машинном обучении и построении нейронных сетей, посвящен TensorFlow.js, основному API, а также тому, как использовать библиотеку JavaScript для обучения и развертывания моделей машинного обучения.
Узнайте, как создать свое первое приложение машинного обучения на устройстве, воспользовавшись схемами обучения, которые предоставляют пошаговые руководства для распространенных случаев использования, включая классификацию аудио, визуальный поиск продуктов и многое другое.
Узнайте, как развертывать модели глубокого обучения на мобильных и встроенных устройствах с помощью TensorFlow Lite, из этого курса, разработанного командой TensorFlow и Udacity в качестве практического подхода к развертыванию моделей для разработчиков программного обеспечения.
Узнайте на практике, как собрать систему производственного конвейера с помощью TFX. Мы быстро рассмотрим все: от сбора данных, построения моделей до развертывания и управления.
Эта книга расскажет вам, как автоматизировать конвейер машинного обучения с использованием экосистемы TensorFlow. Примеры машинного обучения в этой книге основаны на TensorFlow и Keras, но основные концепции можно применить к любой платформе.
Расширьте свои возможности в области производственного инжиниринга по этой специализации, состоящей из четырех курсов. Узнайте, как концептуализировать, создавать и поддерживать интегрированные системы, которые непрерывно работают в производстве.
В этом расширенном курсе рассматриваются компоненты TFX, оркестровка и автоматизация конвейеров, а также управление метаданными машинного обучения с помощью Google Cloud.
При разработке модели машинного обучения или создании приложений на основе искусственного интеллекта важно учитывать людей, взаимодействующих с продуктом, и лучший способ обеспечить справедливость, интерпретируемость, конфиденциальность и безопасность в этих системах искусственного интеллекта.
Это руководство от Google поможет вам создавать ориентированные на человека продукты искусственного интеллекта. Это позволит вам избежать распространенных ошибок, создавать превосходные условия и сосредоточиться на людях при создании приложений на основе искусственного интеллекта.
Этот часовой модуль в рамках MLCC Google знакомит учащихся с различными типами человеческих предубеждений, которые могут проявляться в обучающих данных, а также со стратегиями выявления и оценки их последствий.
