Google is committed to advancing racial equity for Black communities. See how.
หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

ฝึกฝนเส้นทางของคุณ

ในการเป็นผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงอันดับแรกคุณต้องมีพื้นฐานที่แข็งแกร่งใน ด้านการเรียนรู้สี่ด้าน ได้แก่ การเขียนโค้ดคณิตศาสตร์ทฤษฎี ML และวิธีสร้างโครงการ ML ของคุณเองตั้งแต่ต้นจนจบ

เริ่มต้นด้วย หลักสูตรที่ดูแลจัดการ ของ TensorFlow เพื่อพัฒนาทักษะทั้งสี่นี้หรือเลือกเส้นทางการเรียนรู้ของคุณเองโดยการสำรวจ คลังทรัพยากร ของเราด้านล่าง

การศึกษาด้านแมชชีนเลิร์นนิงทั้ง 4 ด้าน

เมื่อเริ่มเส้นทางการศึกษาสิ่งสำคัญคือต้องเข้าใจวิธีการเรียนรู้ ML ก่อน เราได้แบ่งกระบวนการเรียนรู้ออกเป็นสี่ด้านของความรู้โดยแต่ละพื้นที่ให้ชิ้นส่วนพื้นฐานของปริศนา ML เพื่อช่วยคุณในเส้นทางของคุณเราได้ระบุหนังสือวิดีโอและหลักสูตรออนไลน์ที่จะยกระดับความสามารถของคุณและเตรียมให้คุณใช้ ML สำหรับโครงการของคุณ เริ่มต้นด้วยหลักสูตรแนะนำของเราที่ออกแบบมาเพื่อเพิ่มพูนความรู้ของคุณหรือเลือกเส้นทางของคุณเองโดยการสำรวจคลังทรัพยากรของเรา

  • ทักษะการเขียนโค้ด: การ สร้างแบบจำลอง ML เกี่ยวข้องมากกว่าแค่การรู้แนวคิด ML แต่ต้องใช้การเข้ารหัสเพื่อจัดการข้อมูลการปรับแต่งพารามิเตอร์และการแยกวิเคราะห์ผลลัพธ์ที่จำเป็นในการทดสอบและเพิ่มประสิทธิภาพโมเดลของคุณ

  • คณิตศาสตร์และสถิติ: ML เป็นวิชาคณิตศาสตร์ที่หนักหน่วงดังนั้นหากคุณวางแผนที่จะปรับเปลี่ยนแบบจำลอง ML หรือสร้างแบบจำลองใหม่ตั้งแต่เริ่มต้นความคุ้นเคยกับแนวคิดทางคณิตศาสตร์พื้นฐานเป็นสิ่งสำคัญต่อกระบวนการนี้

  • ทฤษฎี ML: การ รู้พื้นฐานของทฤษฎี ML จะทำให้คุณมีพื้นฐานในการต่อยอดและช่วยคุณแก้ไขปัญหาเมื่อมีสิ่งผิดปกติเกิดขึ้น

  • สร้างโครงการของคุณเอง: การได้สัมผัสประสบการณ์กับ ML เป็นวิธีที่ดีที่สุดในการทดสอบความรู้ดังนั้นอย่ากลัวที่จะดำน้ำตั้งแต่เนิ่นๆด้วย colab หรือ บทช่วยสอน ง่ายๆ

หลักสูตร TensorFlow

เริ่มเรียนรู้ด้วยหลักสูตรที่มีไกด์ของเราซึ่งมีหลักสูตรหนังสือและวิดีโอที่แนะนำ

สำหรับผู้เริ่มต้น
พื้นฐานของการเรียนรู้ของเครื่องด้วย TensorFlow

เรียนรู้พื้นฐานของ ML ด้วยชุดหนังสือและหลักสูตรออนไลน์ คุณจะได้รับการแนะนำให้รู้จักกับ ML ด้วย scikit-learn ซึ่งได้รับคำแนะนำผ่านการเรียนรู้เชิงลึกโดยใช้ TensorFlow 2.0 จากนั้นคุณจะมีโอกาสฝึกฝนสิ่งที่คุณเรียนรู้ด้วยบทแนะนำสำหรับผู้เริ่มต้น

สำหรับระดับกลางและผู้เชี่ยวชาญ
การเรียนรู้ของเครื่องในเชิงทฤษฎีและขั้นสูงด้วย TensorFlow

เมื่อคุณเข้าใจพื้นฐานของแมชชีนเลิร์นนิงแล้วให้ยกระดับความสามารถของคุณไปอีกขั้นด้วยการดำดิ่งสู่ความเข้าใจเชิงทฤษฎีเกี่ยวกับเครือข่ายประสาทเทียมการเรียนรู้เชิงลึกและพัฒนาความรู้เกี่ยวกับแนวคิดคณิตศาสตร์พื้นฐาน

สำหรับผู้เริ่มต้น
ความเชี่ยวชาญ: พื้นฐานของ TensorFlow สำหรับการพัฒนา JavaScript

เรียนรู้พื้นฐานของการพัฒนาโมเดลแมชชีนเลิร์นนิงใน JavaScript และวิธีปรับใช้โดยตรงในเบราว์เซอร์ คุณจะได้รับคำแนะนำระดับสูงเกี่ยวกับการเรียนรู้เชิงลึกและวิธีเริ่มต้นใช้งาน TensorFlow.js ผ่านแบบฝึกหัดภาคปฏิบัติ

ทรัพยากรทางการศึกษา

เลือกเส้นทางการเรียนรู้ของคุณเองและสำรวจหนังสือหลักสูตรวิดีโอและแบบฝึกหัดที่แนะนำโดยทีมงาน TensorFlow เพื่อสอนพื้นฐานของ ML

หนังสือ

การอ่านเป็นวิธีที่ดีที่สุดวิธีหนึ่งในการทำความเข้าใจรากฐานของ ML และการเรียนรู้เชิงลึก หนังสือสามารถให้ความเข้าใจทางทฤษฎีที่จำเป็นเพื่อช่วยให้คุณเรียนรู้แนวคิดใหม่ ๆ ได้เร็วขึ้นในอนาคต

หนังสือ
การเรียนรู้เชิงลึกกับ Python โดย Francois Chollet

หนังสือเล่มนี้เป็นหนังสือแนะนำการเรียนรู้เชิงลึกด้วย Keras แบบลงมือปฏิบัติจริง

หนังสือ
Hands-on Machine Learning กับ Scikit-Learn, Keras และ TensorFlow รุ่นที่ 2 โดยAurélienGéron

การใช้ตัวอย่างที่เป็นรูปธรรมทฤษฎีขั้นต่ำและเฟรมเวิร์ก Python ที่พร้อมใช้งานสองแบบ ได้แก่ Scikit-Learn และ TensorFlow หนังสือเล่มนี้ช่วยให้คุณเข้าใจแนวคิดและเครื่องมือในการสร้างระบบอัจฉริยะได้อย่างง่ายดาย

หนังสือ
การเรียนรู้เชิงลึก: หนังสือข่าวของ MIT โดย Ian Goodfellow, Yoshua Bengio และ Aaron Courville

ตำราเรียนรู้เชิงลึกนี้เป็นแหล่งข้อมูลที่มีไว้เพื่อช่วยให้นักเรียนและผู้ปฏิบัติงานเข้าสู่สาขาการเรียนรู้ของเครื่องโดยทั่วไปและโดยเฉพาะอย่างยิ่งการเรียนรู้เชิงลึก

หนังสือ
เครือข่ายประสาทเทียมและการเรียนรู้เชิงลึกโดย Michael Nielsen

หนังสือเล่มนี้ให้ข้อมูลพื้นฐานทางทฤษฎีเกี่ยวกับโครงข่ายประสาทเทียม ไม่ใช้ TensorFlow แต่เป็นข้อมูลอ้างอิงที่ดีสำหรับนักเรียนที่สนใจเรียนรู้เพิ่มเติม

หนังสือ
การเรียนรู้เชิงลึกด้วย JavaScript โดย Shanqing Cai, Stanley Bileschi, Eric D. Nielsen กับ Francois Chollet

เขียนโดยผู้เขียนหลักของไลบรารี TensorFlow หนังสือเล่มนี้นำเสนอกรณีการใช้งานที่น่าสนใจและคำแนะนำเชิงลึกสำหรับแอปการเรียนรู้เชิงลึกใน JavaScript ในเบราว์เซอร์ของคุณหรือบนโหนด

หลักสูตรออนไลน์หลายส่วน

การเรียนหลักสูตรออนไลน์แบบหลายส่วนเป็นวิธีที่ดีในการเรียนรู้แนวคิดพื้นฐานของ ML หลายหลักสูตรมีตัวอธิบายภาพที่ดีและเครื่องมือที่จำเป็นในการเริ่มใช้แมชชีนเลิร์นนิงโดยตรงในที่ทำงานหรือกับโครงการส่วนตัวของคุณ

หลักสูตรออนไลน์เบื้องต้น
deeplearning.ai: TensorFlow: Data and Deployment Specialization

คุณได้เรียนรู้วิธีสร้างและฝึกโมเดลแล้ว ตอนนี้เรียนรู้ที่จะนำทางสถานการณ์การปรับใช้ต่างๆและใช้ข้อมูลอย่างมีประสิทธิภาพมากขึ้นเพื่อฝึกโมเดลของคุณใน Specialization สี่หลักสูตรนี้

หลักสูตรออนไลน์เบื้องต้น
deeplearning.ai: ข้อมูลเบื้องต้นเกี่ยวกับ TensorFlow สำหรับ AI, ML และ Deep Learning

พัฒนาโดยความร่วมมือกับทีม TensorFlow หลักสูตรนี้เป็นส่วนหนึ่งของ TensorFlow in Practice Specialization และจะสอนแนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้ TensorFlow

หลักสูตรออนไลน์เบื้องต้น
Udacity: ข้อมูลเบื้องต้นเกี่ยวกับ TensorFlow สำหรับการเรียนรู้เชิงลึก

ในหลักสูตรออนไลน์ที่พัฒนาโดยทีม TensorFlow และ Udacity คุณจะได้เรียนรู้วิธีสร้างแอปพลิเคชันการเรียนรู้เชิงลึกด้วย TensorFlow

หลักสูตรออนไลน์เบื้องต้น
deeplearning.ai: TensorFlow ในการปฏิบัติความเชี่ยวชาญ

ในความเชี่ยวชาญเฉพาะสี่หลักสูตรที่สอนโดยนักพัฒนา TensorFlow คุณจะได้สำรวจเครื่องมือและนักพัฒนาซอฟต์แวร์ที่ใช้ในการสร้างอัลกอริทึมที่ขับเคลื่อนด้วย AI ที่ปรับขนาดได้ใน TensorFlow

หลักสูตรออนไลน์เบื้องต้น
deeplearning.ai: ความเชี่ยวชาญการเรียนรู้เชิงลึก

ในห้าหลักสูตรคุณจะได้เรียนรู้พื้นฐานของ Deep Learning ทำความเข้าใจเกี่ยวกับการสร้างเครือข่ายประสาทเทียมและเรียนรู้วิธีนำโครงการแมชชีนเลิร์นนิงที่ประสบความสำเร็จและสร้างอาชีพใน AI คุณจะเชี่ยวชาญไม่เพียง แต่ทฤษฎี แต่ยังดูว่ามันถูกนำไปใช้ในอุตสาหกรรมอย่างไร

หลักสูตรออนไลน์เบื้องต้น
หลักสูตรสแตนฟอร์ด CS231n: Convolutional Neural Networks for Visual Recognition

หลักสูตรนี้เป็นการเจาะลึกในรายละเอียดของสถาปัตยกรรมการเรียนรู้เชิงลึกโดยมุ่งเน้นไปที่การเรียนรู้แบบจำลอง end-to-end สำหรับงานด้านการมองเห็นด้วยคอมพิวเตอร์โดยเฉพาะการจัดประเภทรูปภาพ สำรวจวิดีโอการบรรยายสไลด์และบันทึกย่อของหลักสูตรที่ผ่านมาจากการทำซ้ำครั้งก่อนของหลักสูตร

หลักสูตรออนไลน์เบื้องต้น
หลักสูตร MIT 6.S191: Introduction to Deep Learning

ในหลักสูตรนี้จาก MIT คุณจะได้รับความรู้พื้นฐานเกี่ยวกับอัลกอริธึมการเรียนรู้เชิงลึกและได้รับประสบการณ์จริงในการสร้างเครือข่ายประสาทเทียมใน TensorFlow

แหล่งข้อมูลอื่น ๆ

สำหรับนักพัฒนาอุปกรณ์เคลื่อนที่และเว็บและผู้ใช้ที่ต้องการสร้างท่อส่งการผลิตเราได้รวบรวมทรัพยากรที่เราชื่นชอบเพื่อช่วยคุณในการเริ่มต้นใช้งานรวมถึงไลบรารี TensorFlow และเฟรมเวิร์กเฉพาะที่คุณต้องการ

หลักสูตรออนไลน์เบื้องต้น
การเรียนรู้เชิงลึกใน JS โดย Ashi Krishnan

ใช้ deeplearn.js ค้นหาว่าระบบการเรียนรู้เชิงลึกเรียนรู้และตรวจสอบวิธีคิดอย่างไร

หลักสูตรออนไลน์เบื้องต้น
เริ่มต้นกับ TensorFlow.js โดย TensorFlow

ซีรี่ส์ 3 ตอนที่สำรวจโมเดลที่เรียนรู้ทั้งการฝึกอบรมและการใช้งานเครื่องด้วย TensorFlow.js และแสดงวิธีสร้างโมเดลแมชชีนเลิร์นนิงใน JavaScript ที่ดำเนินการโดยตรงในเบราว์เซอร์

หลักสูตรออนไลน์เบื้องต้น
TensorFlow.js: ชุดความฉลาดและการเรียนรู้โดย Coding Train

ส่วนหนึ่งของซีรีส์ที่ใหญ่ขึ้นเกี่ยวกับการเรียนรู้ของเครื่องและการสร้างเครือข่ายประสาทเทียมเพลย์ลิสต์วิดีโอนี้เน้นที่ TensorFlow.js, API หลักและวิธีใช้ไลบรารี JavaScript เพื่อฝึกอบรมและปรับใช้โมเดล ML

หลักสูตรออนไลน์เบื้องต้น
TensorFlow.js Deep Learning ด้วย JavaScript โดย Deeplizard

ชุดนี้แนะนำแนวคิดของโครงข่ายประสาทเทียมฝั่งไคลเอ็นต์ เรียนรู้เกี่ยวกับสถาปัตยกรรมไคลเอนต์เซิร์ฟเวอร์การเรียนรู้เชิงลึกการแปลงโมเดล Keras เป็นโมเดล TFJS การให้บริการโมเดลด้วย Node.js การฝึกอบรมและการถ่ายโอนการเรียนรู้ในเบราว์เซอร์และอื่น ๆ

หลักสูตรออนไลน์เบื้องต้น
TensorFlow Extended: การเรียนรู้ของเครื่องจักรในโลกแห่งความเป็นจริงในการผลิต

ซีรีส์ห้าส่วนจากทีม TensorFlow เกี่ยวกับการใช้ TensorFlow Extended (TFX) เพื่อสร้างไปป์ไลน์ ML สำหรับการผลิตของคุณเอง

หลักสูตรออนไลน์เบื้องต้น
การเรียนรู้ของเครื่องบนอุปกรณ์ของคุณ: ตัวเลือก (Google I / O'19)

เซสชันนี้จาก Google I / O จะทำให้เข้าใจถึงตัวเลือกต่างๆที่มีให้สำหรับการใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงแอปบนอุปกรณ์เคลื่อนที่และอุปกรณ์ระดับขอบ เรียนรู้วิธีใช้ TensorFlow Lite ในการฝึกโมเดลและวิธีใช้กับอุปกรณ์ต่างๆ

แนวคิดทางคณิตศาสตร์

หากต้องการเจาะลึกความรู้ ML ของคุณแหล่งข้อมูลเหล่านี้สามารถช่วยให้คุณเข้าใจแนวคิดทางคณิตศาสตร์พื้นฐานที่จำเป็นสำหรับความก้าวหน้าในระดับที่สูงขึ้น

แนวคิดทางคณิตศาสตร์
หลักสูตรความผิดพลาดของแมชชีนเลิร์นนิงของ Google Developers

หลักสูตร Machine Learning Crash พร้อม TensorFlow API เป็นคู่มือการศึกษาด้วยตนเองสำหรับผู้ปฏิบัติงานด้านแมชชีนเลิร์นนิงที่ต้องการ ประกอบด้วยบทเรียนหลายชุดพร้อมวิดีโอบรรยายกรณีศึกษาในโลกแห่งความเป็นจริงและแบบฝึกหัดลงมือปฏิบัติจริง

แนวคิดทางคณิตศาสตร์
Coursera: คณิตศาสตร์สำหรับความเชี่ยวชาญในการเรียนรู้ของเครื่อง

ความเชี่ยวชาญทางออนไลน์จาก Coursera นี้มีจุดมุ่งหมายเพื่อลดช่องว่างของคณิตศาสตร์และการเรียนรู้ของเครื่องช่วยให้คุณสามารถเรียนรู้คณิตศาสตร์พื้นฐานได้อย่างรวดเร็วเพื่อสร้างความเข้าใจที่ใช้งานง่ายและเกี่ยวข้องกับ Machine Learning และ Data Science

แนวคิดทางคณิตศาสตร์
การเรียนรู้เชิงลึกโดย 3blue1brown

3blue1brown มุ่งเน้นไปที่การนำเสนอคณิตศาสตร์ด้วยวิธีการที่มองเห็นเป็นอันดับแรก ในชุดวิดีโอนี้คุณจะได้เรียนรู้พื้นฐานของเครือข่ายประสาทเทียมและวิธีการทำงานผ่านแนวคิดทางคณิตศาสตร์

แนวคิดทางคณิตศาสตร์
สาระสำคัญของพีชคณิตเชิงเส้นโดย 3blue1brown

ชุดวิดีโอสั้น ๆ ที่เป็นภาพจาก 3blue1brown ที่อธิบายความเข้าใจทางเรขาคณิตของเมทริกซ์ดีเทอร์มิแนนต์สิ่งที่เป็นลักษณะเฉพาะและอื่น ๆ

แนวคิดทางคณิตศาสตร์
สาระสำคัญของแคลคูลัสโดย 3blue1brown

ชุดวิดีโอสั้น ๆ ที่เป็นภาพจาก 3blue1brown ที่อธิบายพื้นฐานของแคลคูลัสในลักษณะที่ทำให้คุณมีความเข้าใจอย่างถ่องแท้เกี่ยวกับทฤษฎีบทพื้นฐานไม่ใช่แค่การทำงานของสมการเท่านั้น

แนวคิดทางคณิตศาสตร์
หลักสูตร MIT 18.06: พีชคณิตเชิงเส้น

หลักสูตรเบื้องต้นจาก MIT นี้ครอบคลุมทฤษฎีเมทริกซ์และพีชคณิตเชิงเส้น ให้ความสำคัญกับหัวข้อที่จะเป็นประโยชน์ในสาขาวิชาอื่น ๆ ได้แก่ ระบบสมการปริภูมิเวกเตอร์ดีเทอร์มิแนนต์ค่าลักษณะเฉพาะความคล้ายคลึงกันและเมทริกซ์แน่นอนเชิงบวก

แนวคิดทางคณิตศาสตร์
หลักสูตร MIT 18.01: แคลคูลัสตัวแปรเดียว

หลักสูตรแคลคูลัสเบื้องต้นจาก MIT นี้ครอบคลุมความแตกต่างและการรวมฟังก์ชันของตัวแปรเดียวเข้ากับแอปพลิเคชัน

แนวคิดทางคณิตศาสตร์
ทฤษฎีการมองเห็น

การแนะนำภาพเกี่ยวกับความน่าจะเป็นและสถิติ

แนวคิดทางคณิตศาสตร์
บทนำสู่การเรียนรู้ทางสถิติด้วยแอปพลิเคชันใน R โดย James, G. , Witten, D. , Hastie, T. , และ Tibshirani, R.

หนังสือเล่มนี้ให้ภาพรวมที่สามารถเข้าถึงได้ของสาขาการเรียนรู้ทางสถิติซึ่งเป็นชุดเครื่องมือที่จำเป็นสำหรับการทำความเข้าใจโลกที่กว้างใหญ่และซับซ้อนของชุดข้อมูลที่จำเป็นในการฝึกโมเดลในแมชชีนเลิร์นนิง

AI ที่มีมนุษย์เป็นศูนย์กลาง

เมื่อออกแบบโมเดล ML หรือสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI สิ่งสำคัญคือต้องคำนึงถึงผู้คนที่โต้ตอบกับผลิตภัณฑ์และวิธีที่ดีที่สุดในการสร้างความเป็นธรรมความสามารถในการตีความความเป็นส่วนตัวและความปลอดภัยให้กับระบบ AI เหล่านี้

AI ที่มีมนุษย์เป็นศูนย์กลาง
AI ที่มีความรับผิดชอบ

เรียนรู้วิธีการรวมแนวทางปฏิบัติด้าน AI ที่รับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow

AI ที่มีมนุษย์เป็นศูนย์กลาง
คู่มือ People + AI

คู่มือนี้จาก Google จะช่วยคุณสร้างผลิตภัณฑ์ AI ที่เน้นมนุษย์เป็นศูนย์กลาง จะช่วยให้คุณหลีกเลี่ยงข้อผิดพลาดทั่วไปออกแบบประสบการณ์ที่ยอดเยี่ยมและให้ความสำคัญกับผู้คนในขณะที่คุณสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI

AI ที่มีมนุษย์เป็นศูนย์กลาง
ข้อมูลเบื้องต้นเกี่ยวกับความเป็นธรรมในโมดูล Machine Learning

โมดูลหนึ่งชั่วโมงภายใน MLCC ของ Google นี้จะแนะนำผู้เรียนให้รู้จักอคติของมนุษย์ประเภทต่างๆที่สามารถปรากฏในข้อมูลการฝึกอบรมตลอดจนกลยุทธ์ในการระบุและประเมินผลกระทบ