Machine learning teórico e avançado com o TensorFlow
Antes de começar a usar os materiais de aprendizado abaixo, não se esqueça dos seguintes requisitos:
-
Concluir nosso currículo Noções básicas de machine learning com o TensorFlow ou ter conhecimento equivalente
-
Ter experiência em desenvolvimento de software, principalmente em Python
Este currículo é um ponto de partida para as pessoas que buscam realizar as seguintes ações:
-
Compreender ainda mais o ML
-
Iniciar a compreensão e a implementação do conteúdo de artigos com o TensorFlow
Você precisa conhecer como o ML funciona ou ter concluído os materiais de aprendizado do currículo para iniciantes Noções básicas de machine learning com o TensorFlow antes de continuar. O conteúdo abaixo orienta os aprendizes a um conteúdo mais teórico e avançado de machine learning. Você verá que muitos dos recursos usam o TensorFlow. No entanto, o conhecimento pode ser transferido para outros frameworks de ML.
Para aprofundar seus conhecimentos de ML, é preciso ter experiência em programação em Python e em cálculo, álgebra linear, probabilidade e estatística. Para ajudar a aprofundar seu conhecimento em ML, listamos uma série de recursos e cursos recomendados de universidades, bem como alguns manuais.
Etapa 1: atualize sua compreensão dos conceitos matemáticos
O ML é uma disciplina com bastante matemática. Se você quiser modificar modelos de ML ou criar novos do zero, é importante conhecer os conceitos matemáticos básicos. Não é preciso aprender toda a matéria antecipadamente. Em vez disso, é possível pesquisar conceitos matemáticos que você ainda não conhece à medida que eles aparecem. Se já faz algum tempo que você participou de um curso de matemática, assista às playlists Essence of linear algebra e Essence of calculus da 3blue1brown para refrescar a memória. Recomendamos que você siga os estudos participando de disciplinas em uma universidade ou assistindo a aulas de acesso livre do MIT, como Linear Algebra ou Single Variable Calculus.
Série de vídeos curtos da 3blue1brown que explica matrizes 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
Etapa 2: aumente sua compreensão do aprendizado profundo com estes cursos e livros
Só um curso não ensinará tudo o que você precisa saber sobre o aprendizado profundo. Uma estratégia útil talvez seja fazer alguns cursos ao mesmo tempo. Alguns tópicos se repetem no material, mas ver explicações de diferentes instrutores pode ser importante, especialmente no caso de conceitos complexos. Veja abaixo vários cursos recomendados para ajudar você a dar os primeiros passos. Acesse todos juntos ou escolha os que você considera mais relevantes.
Lembre-se: quanto mais você aprende e reforça esses conceitos pela prática, mais competência terá para criar e avaliar seus modelos de ML.
Faça estes cursos:
Outro recurso que vale a pena é o 6.S191: Introduction to Deep Learning, do MIT, um curso introdutório sobre aprendizado profundo com o TensorFlow.
O curso Deep Learning Specialization at Coursera, de Andrew Ng, também ensina os princípios básicos do aprendizado profundo, incluindo redes convolucionais, RNNS, LSTMs e muito mais. Esta especialização foi criada para você aprender a usar o aprendizado profundo no seu trabalho e desenvolver uma carreira na área de IA.
Neste curso do MIT, você terá os conhecimentos básicos de algoritmos de aprendizado profundo e experiências práticas na criação de redes neurais no TensorFlow.
DeepLearning.AI
Deep Learning SpecializationEm 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.
⬆ E ⬇ Leia estes livros:
Para complementar o que você aprenderá nos cursos acima, é recomendável se aprofundar ainda mais lendo os livros a seguir. Cada livro está disponível on-line e oferece materiais complementares para ajudar você a praticar.
Comece com a leitura de Deep Learning: An MIT Press Book, de Ian Goodfellow, Yoshua Bengio e Aaron Courville. O manual "The Deep Learning" é um recurso avançado para ajudar estudantes a aprofundar o conhecimento. O livro tem um site com vários materiais complementares, incluindo exercícios, slides de aulas, correções de erros e outros recursos para promover a prática dos conceitos.
Conheça também o livro eletrônico de Michael Nielsen, Neural Networks and Deep Learning, que traz conceitos teóricos sobre as redes neurais. A publicação não aborda o TensorFlow, mas é uma ótima referência para estudantes interessados em saber mais.
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.
Etapa 3: leia e implemente o conteúdo de artigos com o TensorFlow
Neste ponto, é recomendável ler artigos e conferir os tutoriais avançados no nosso site, que incluem implementações de algumas publicações conhecidas. A melhor maneira de aprender sobre um aplicativo avançado, tradução automática ou legendas de imagem, é ler o artigo vinculado do tutorial. Durante a leitura, encontre as seções relevantes do código e use-as para ajudar a consolidar seu conhecimento.