机器学习培训的四个领域
在开启您的学习之旅之前,请务必先了解如何学习机器学习知识。我们将学习流程划分为四个知识领域,每个领域均提供了机器学习的基础知识部分。为帮助您顺利完成学习之旅,我们列出了一些图书、视频和在线课程,不仅有助于您提升能力,还可以让您为在自己的项目中使用机器学习做好准备。从我们提供的旨在扩大您的知识面的指导课程着手,或者通过浏览我们的资源库选择您自己的学习路径。
TensorFlow 课程
我们提供的指导课程包含推荐的课程、图书和视频,选择一门课程开启学习之旅吧。

通过这一系列的图书和在线课程了解机器学习的基础知识。您将了解如何通过 scikit-learn 进行机器学习,并在课程的引导下通过 TensorFlow 2.0 进行深度学习,然后您将有机会练习从新手教程中学到的知识。

了解机器学习的基础知识之后,您便可以深入研究神经网络和深度学习的理论知识,并加强对基础数学概念的理解,从而将您的能力提升至一个新水平。

了解使用 JavaScript 开发机器学习模型的基础知识,以及如何直接在浏览器中部署模型。该系列课程将向您简要介绍深度学习,以及如何通过实践练习开始使用 TensorFlow.js。
教育资源
选择您自己的学习路径,并浏览 TensorFlow 团队推荐的图书、课程、视频和练习,以了解机器学习的基础知识。
图书
阅读是理解机器学习和深度学习基础知识的最佳方式之一。图书可以为您提供必要的理论知识,帮助您以后更加快速地学习新概念。


本书采用了具体示例和两个可用于生产的 Python 框架(Scikit-Learn 和 TensorFlow),并且理论知识篇幅不多,可帮助您直观地理解构建智能系统用到的概念和工具。

这本《深度学习》教材旨在帮助学生和从业者进入一般的机器学习领域,尤其是深度学习领域。


本书由 TensorFlow 库的主要作者编著,提供了关于在浏览器中或 Node 上使用 JavaScript 构建深度学习应用的精彩用例和深入说明。
由多部分组成的在线课程
学习由多个部分组成的在线课程是学习机器学习基础概念的绝佳方式。很多课程不仅生动形象地讲解了专业知识,还提供了在您的工作或个人项目中直接运用机器学习所需的工具。

您已经学习了如何构建和训练模型。现在请学习这个由 4 门课程组成的专项系列课程,了解如何在各种场景下部署模型,以及如何使用数据更有效地训练模型。

该课程是专项课程《TensorFlow 实战》的一部分,并且与 TensorFlow 团队联合制作而成,其中将讲解使用 TensorFlow 的最佳做法。

在这门由 TensorFlow 团队和 Udacity 联合制作的在线课程中,您将了解如何使用 TensorFlow 构建深度学习应用。

在这个由 TensorFlow 开发者讲授且由 4 门课程组成的专项课程中,您将了解开发者在 TensorFlow 中构建由 AI 提供支持且可扩容的算法时使用的工具。

通过学习这 5 门课程,您将了解深度学习的基础知识,了解如何构建神经网络,以及如何成功完成机器学习项目并在 AI 领域成就一番事业。在学习过程中,您不仅可以掌握理论知识,还将了解这些理论在行业中的运用情况。

本课程深入探讨了有关深度学习架构的详细信息,重点在于学习计算机视觉任务的端到端模型,尤其是图像分类。浏览之前各版课程的讲座视频、幻灯片和曾用教学大纲笔记。

通过学习麻省理工学院推出的这门课程,您将掌握深度学习算法的基础知识,并获得在 TensorFlow 中构建神经网络的实践经验。
其他资源
对于想要构建生产流水线的移动和网络开发者及用户,我们收集了最受欢迎的资源来帮助您入门,包括可满足您的特定需求的 TensorFlow 库和框架。


该专项课程由 3 个部分组成,探讨了如何使用 TensorFlow.js 训练和执行机器学习模型,并向您展示了如何使用 JavaScript 创建直接在浏览器中执行的机器学习模型。

这一系列视频是关于机器学习和构建神经网络的大型系列课程的一部分,重点介绍了 TensorFlow.js、核心 API 以及如何使用 JavaScript 库训练和部署机器学习模型。

该系列课程介绍了客户端人工神经网络的概念。在本课程中,您可以了解客户端服务器深度学习架构,将 Keras 模型转换为 TFJS 模型,使用 Node.js 应用模型,在浏览器中进行训练和迁移学习等。

TensorFlow 团队发布的系列课程,由 5 个部分组成,介绍了如何使用 TensorFlow Extended (TFX) 创建您自己的生产型机器学习流水线。

Google I/O 大会上的这段演讲将介绍使用机器学习增强移动应用和边缘设备的各种方式。您将了解如何使用 TensorFlow Lite 训练模型,以及如何在各种设备上使用这些模型。
数学概念
要更深入地学习机器学习知识,这些资源可以帮助您理解提升至更高水平所需的基础数学概念。

有关 TensorFlow API 的机器学习速成课程是面向志向远大的机器学习从业者的自学指南。其中包含一系列视频讲座课程、实际案例研究和实践练习。

Coursera 发布的这门在线专项课程旨在弥合数学与机器学习之间的缺口,让您快速掌握基础数学知识以建立直观的理解,并将其与机器学习和数据科学联系起来。

3blue1brown 专门通过以视觉为主导的方法讲解数学知识。在此视频系列课程中,您将通过数学概念了解神经网络的基础知识及其运行原理。

3blue1brown 发布的一系列以独特视觉角度解说的短视频,其中讲解了如何从几何方面理解矩阵、行列式、本征函数/本征值等内容。

3blue1brown 发布的一系列以独特视觉角度解说的短视频,其中讲解了微积分的基础知识,旨在让您深入理解基本定理,而不只是了解方程的原理。

此入门课程由麻省理工学院发布,内容涵盖矩阵理论和线性代数。此课程重点介绍了在其他学科中很有用的概念,包括方程组、向量空间、行列式、特征值、相似度和正定矩阵。



本书以通俗易懂的方式概述了统计学习领域,统计学习是一种重要的工具包,可帮助理解训练机器学习模型所需的庞大而复杂的数据集。
以人为本的 AI
在设计机器学习模型或构建 AI 驱动的应用时,请务必考虑与产品进行互动的用户,以及在这些 AI 系统中纳入公平性、可解释性、隐私性和安全性的最佳方式。



Google MLCC 中的这一单元(时长 1 小时)向学习者介绍了可能会在训练数据中显现出来的不同类型的人为偏差,以及识别和评估其影响的策略。