機器學習教學的四大領域
踏上學習之路時，請務必先瞭解如何自學機器學習。我們將學習過程分為四個知識領域，每個領域都是機器學習不可或缺的一部分。為協助你更快上手，我們找了一些書籍、影片和線上課程來提升你的能力，讓你做好準備，在專案中運用機器學習。我們的引導式課程旨在提升你的知識，因此可以先從這裡著手，或是探索我們的資源庫，選擇自己的學習路徑。
TensorFlow 課程
我們的引導式學程包含推薦課程、書籍和影片，你可以從任何一項開始學習。
透過這些書籍和線上課程，瞭解機器學習的基本知識。你將經由 scikit-learn 開始認識機器學習，在 TensorFlow 2.0 的引導下逐步瞭解深度學習，之後將有機會透過初學者教學課程練習所學內容。
瞭解使用 JavaScript 開發機器學習模型的基本知識，以及如何直接在瀏覽器中進行部署。課程會介紹深度學習概論，並附帶練習題引領學員實際動手使用 TensorFlow.js。
教育資源
選擇專屬學習路徑，探索 TensorFlow 團隊推薦的書籍、課程、影片和練習活動，從中掌握機器學習的基礎知識。
書籍
閱讀是理解機器學習和深度學習基礎知識的最佳方法之一。書籍可以提供必要的理論知識，協助你往後更快地學習新概念。
This introductory book provides a code-first approach to learn how to implement the most common ML scenarios, such as computer vision, natural language processing (NLP), and sequence modeling for web, mobile, cloud, and embedded runtimes.
本書使用具體範例、極小理論和兩個可用於實際工作環境的 Python 架構 (Scikit-Learn 及 TensorFlow)，讓你輕鬆掌握建構智慧系統的概念和工具。
本深度學習教科書意在幫助學生和從業人員瞭解機器學習領域概論，特別是深度學習這個主題。
本書提供了有關類神經網路的理論背景。書中未使用到 TensorFlow，但對有興趣瞭解詳情的學生來說是很棒的參考資料。
本書是由 TensorFlow 程式庫的主要作者群所著，針對在瀏覽器或節點上以 JavaScript 進行深度學習的應用程式，提供有趣的使用案例和深入的操作說明。
多單元線上課程
參加多單元線上課程是瞭解機器學習基本概念的好方法。許多課程都提供了絕佳的視覺化講解，還有在工作或個人專案中直接開始應用機器學習所需要的工具。
如果你已瞭解如何建構並訓練模型，現在可進入這四堂專項課程，以熟悉各種部署情境，並瞭解如何更有效地使用資料訓練模型。
本課程是與 TensorFlow 團隊合作開發，屬於 TensorFlow in Practice Specialization 的一部分，針對 TensorFlow 的使用方式提供最佳實務指導。
在這門由 TensorFlow 團隊和 Udacity 合作開發的線上課程中，你將瞭解如何使用 TensorFlow 打造深度學習應用程式。
在這四門由 TensorFlow 開發人員講授的專項課程中，你將探索開發人員在 TensorFlow 中使用哪些工具和軟體來打造可擴充的 AI 技術演算法。
在這五門課程中，你將學到深度學習的基礎、瞭解如何打造類神經網路，並學習如何成功帶領機器學習專案，以及開創 AI 事業。不僅可以掌握理論，還能一窺業界的應用情形。
本課程深入探討深度學習架構的細節，主軸為學習電腦視覺任務 (特別是圖片分類) 的端對端模型。瀏覽本課程先前授課內容的講座影片、投影片和課程大綱。
在這門 MIT 課程中，你可以從中獲得深度學習演算法基礎知識，以及使用 TensorFlow 打造類神經網路的實務經驗。
其他資源
對於行動裝置和網頁開發人員，以及希望建立生產管線的使用者，我們收集了最好用的資源來協助你上手，包括符合你需求的 TensorFlow 程式庫和架構。
本系列包含 3 個部分，除了探討如何透過 TensorFlow.js 訓練及執行機器學習模型，也說明如何使用 JavaScript 建立可直接在瀏覽器中執行的機器學習模型。
本影片播放清單屬於機器學習和打造類神經網路的專題系列之一，著重在 TensorFlow.js (核心 API) 與如何使用 JavaScript 程式庫訓練、部署機器學習模型。
本系列介紹用戶端人工類神經網路的概念。瞭解從用戶端到伺服器的深度學習架構、將 Keras 模型轉換為 TFJS 模型、使用 Node.js 提供模型、在瀏覽器中進行訓練和遷移學習等。
本系列是由 TensorFlow 團隊提供，分成五個部分介紹如何使用 TensorFlow Extended (TFX) 來建立自己的生產環境機器學習管線。
Google I/O 大會的這堂講座將揭開使用機器學習強化行動應用程式和邊緣裝置時，各種可用選項的神秘面紗。瞭解如何使用 TensorFlow Lite 訓練模型，以及如何在各種裝置上使用模型。
數學概念
這些資源可以幫助你理解進階學習所需的基礎數學概念，以便更深入瞭解機器學習知識。
TensorFlow API 機器學習密集課程是一套自學指南，歡迎有志投身機器學習領域的從業人員參閱，課程包含一系列的視訊講座、實際個案研究和操作練習。
Coursera 這項線上專項課程旨在彌補數學和機器學習之間的鴻溝，讓你快速掌握基礎數學以建立直覺式的理解，並將其與機器學習和資料科學相互連結。
3blue1brown 主打透過視覺效果展現數學的奧妙。這一系列影片將帶領你學習類神經網路的基本知識，以及如何將數學概念運用其中。
3blue1brown 提供的一系列視覺化短片，講解矩陣、行列式、本徵向量等的幾何意義。
3blue1brown 提供的一系列視覺化短片，以精彩明瞭的方式講解微積分的基本原理，讓觀眾深刻理解基本定理，而不只是簡單說明運算方式而已。
MIT 的這堂入門課程介紹了矩陣理論和線性代數。課程主軸著重於在其他學科中也很實用的主題，包括聯立方程式、向量空間、行列式、特徵值、相似性和正定矩陣。
本書針對統計學習領域提供了平易近人的概述，這套重要的工具集可用來理解訓練機器學習模型所需要的龐雜資料集。
以人為本的 AI
設計機器學習模型或建構 AI 驅動的應用程式時，務必考量到與產品進行互動的使用者，也要思考在這些 AI 系統中建立公平性、可解釋性、隱私權和安全性的最佳方法。
Google 的這本指南可協助你建構以人為本的 AI 產品。它能讓你在打造 AI 驅動應用程式時，避免常見錯誤、設計出絕佳的體驗，並專注於使用者需求。
Google MLCC 推出這個一小時的模組，向學習者介紹訓練資料中可能出現的各類人為偏誤，以及要識別和評估這些偏誤帶來的影響時，可以採取的策略。