循序漸進的學習之路

To become an expert in machine learning, you first need a strong foundation in four learning areas: coding, math, ML theory, and how to build your own ML project from start to finish.

Begin with TensorFlow's curated curriculums to improve these four skills, or choose your own learning path by exploring our resource library below.

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。

  • 程式設計技能:想要建構機器學習模型,不僅僅需要瞭解機器學習概念,還需要搭配程式設計,才能管理資料、微調參數,並剖析相關結果以利進行模型測試及最佳化。

  • 數學與統計:機器學習是一門與數學息息相關的學科,因此如果你打算修改機器學習模型或從頭建構全新模型,那麼過程中勢必得掌握基礎數學概念。

  • 機器學習理論:瞭解機器學習理論的基本知識將為你奠定基礎,並協助你在發生狀況時排解問題。

  • Build your own projects: Getting hands on experience with ML is the best way to put your knowledge to the test, so don't be afraid to dive in early with a simple colab or tutorial to get some practice.

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。

適合新手
TensorFlow 機器學習基本知識

透過這些書籍和線上課程,瞭解機器學習的基本知識。您將認識機器學習技術,並在這些書籍與課程的引導下瞭解如何使用 TensorFlow 2.0 進行深度學習。接下來,您將有機會透過新手教學課程練習所學內容。

適合中級使用者和專家
TensorFlow 機器學習理論與進階知識

瞭解機器學習的基本要點後,即可深入探討類神經網路和深度學習的理論知識,並加強對基礎數學概念的瞭解,讓自身能力更上一層樓。

適合新手
使用 TensorFlow 進行 JavaScript 開發作業

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。

AI and Machine Learning for Coders
作者:Laurence Moroney

這本介紹書提供以程式碼為優先的方法,讓你瞭解如何導入最常見的機器學習情境,例如電腦視覺、自然語言處理 (NLP),以及建立用於網路、行動、雲端和嵌入執行階段的序列模型。

Deep Learning with Python
作者:Francois Chollet

本書是使用 Keras 進行深度學習的實作入門指南。

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow
作者:Aurélien Géron

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。

深度學習
作者:Ian Goodfellow、Yoshua Bengio 和 Aaron Courville

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。

Neural Networks and Deep Learning
作者:Michael Nielsen

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。

Learning TensorFlow.js
作者:Gant Laborde

透過端對端實作的方式,協助各領域的技術人士掌握 TensorFlow.js 基礎知識。讀完這本書後,您將瞭解如何使用 TensorFlow.js 建構及部署可用於生產環境的深度學習系統。

Deep Learning with JavaScript
作者:Shanqing Cai、Stanley Bileschi、Eric D.Nielsen 和 Francois Chollet

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。

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。

Intro to TensorFlow for AI, ML, and Deep Learning

這個課程是與 TensorFlow 團隊合作開發,屬於 TensorFlow Developer Specialization 的一部分,針對 TensorFlow 的使用方式提供最佳做法指導。

Intro to TensorFlow for Deep Learning

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 建構深度學習應用程式。

TensorFlow Developer Specialization

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。

機器學習密集課程

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。

MIT 6.S191: Introduction to Deep Learning

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。

Deep Learning Specialization

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。

TensorFlow: Data and Deployment Specialization

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。

TensorFlow: Advanced Techniques Specialization

這個專項課程適合對 TensorFlow 有基本瞭解,但想學習進階 TensorFlow 功能來建構強大模型,以擴充知識和技能的軟體和機器學習工程師。

Google AI 基礎知識:認識網頁式機器學習

瞭解如何運用網頁式機器學習技術,吸引更多人注意到你的尖端研究,或在日後透過你的網頁應用程式,為客戶或自家公司提供強大功能。

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。

以淺顯易懂的方式,介紹線性代數如何應用於機器學習中

簡單介紹線性代數如何應用於機器學習。沒上過線性代數或只略懂基礎概念,但又想瞭解線性代數如何應用於機器學習嗎?這部影片正符合您的需求。

Mathematics for Machine Learning Specialization

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。

深度學習
由 3Blue1Brown 提供

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。

Essence of Linear Algebra
由 3Blue1Brown 提供

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。

Essence of Calculus
由 3Blue1Brown 提供

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 18.06: Linear Algebra

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。

MIT 18.01: Single Variable Calculus

MIT 的這堂初級微積分課程介紹了單變量函式的微分和積分,並輔以應用說明。

Seeing Theory
作者:Daniel Kunin、Jingru Guo、Tyler Dae Devlin、Daniel Xiang

機率及統計學的視覺化簡介。

An Introduction to Statistical Learning
作者:Gareth James、Daniela Witten、Trevor Hastie 和 Rob Tibshirani

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。

TensorFlow 資源

We've gathered our favorite resources to help you get started with TensorFlow libraries and frameworks specific to your needs. Jump to our sections for TensorFlow.js, LiteRT, and TFX.


You can also browse the official TensorFlow guide and tutorials for the latest examples and colabs.

Machine Learning Foundations

Machine Learning Foundations is a free training course where you'll learn the fundamentals of building machine learned models using TensorFlow.

TensorFlow from the Ground Up

這個機器學習技術討論適合對機器學習已有基本瞭解,但需要掌握 TensorFlow 基礎知識 (不需用到高層級 API 的張量、變數和梯度相關概念) 的對象。

Intro to Deep Learning

這個機器學習技術討論內容包含表徵學習、類神經網路系列及相關應用、一探深層類神經網路內部,以及許多 TensorFlow 程式碼範例和概念。

Coding TensorFlow

在這個系列中,TensorFlow 團隊從程式設計的角度探討 TensorFlow 的各個面向,透過影片介紹 TensorFlow 高層級 API 的使用方式、自然語言處理、Neural Structured Learning 等等。

運用機器學習來找出並解決日常問題

學習找出最常見的機器學習用途,包括分析多媒體、建構智慧搜尋功能、轉換資料等,並瞭解如何透過容易使用的工具,在應用程式中快速建構這些功能。

適用於 JavaScript

Explore the latest resources at TensorFlow.js.

Machine Learning for Web Developers (Web ML)

Get a practical working knowledge of using ML in the browser with JavaScript. Learn how to write custom models from a blank canvas, retrain models via transfer learning, and convert models from Python.

Learning TensorFlow.js
作者:Gant Laborde

透過端對端實作的方式,協助各領域的技術人士掌握 TensorFlow.js 基礎知識。讀完這本書後,您將瞭解如何使用 TensorFlow.js 建構及部署可用於生產環境的深度學習系統。

開始使用 TensorFlow 的 TensorFlow.js

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。

使用 TensorFlow.js,為 JavaScript 開發人員打造專屬的 Google AI

只要使用 TensorFlow.js,就能大幅提升運用網頁機器學習技術的功力。瞭解如何建立新一代網頁應用程式,讓程式能在用戶端執行,並可在幾乎所有裝置上使用。

TensorFlow.js: Intelligence and Learning 系列
The Coding Train 提供

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。

適用於行動裝置及邊緣裝置

Explore the latest resources at Google AI Edge.

裝置端機器學習

學習途徑中提供音訊分類、視覺化產品搜尋等常見用途的逐步指南,您可透過這些學習途徑來瞭解如何建構您的第一個裝置端機器學習應用程式。

Introduction to LiteRT

Learn how to deploy deep learning models on mobile and embedded devices with LiteRT in this course, developed by the TensorFlow team and Udacity as a practical approach to model deployment for software developers.

適用於實際工作環境

Explore the latest resources at TFX.

使用 TFX,透過機器學習工程來部署可用於生產環境的機器學習系統

觀看使用 TFX 建構實際工作管線系統的實作過程。我們將快速說明從資料擷取、模型建構,到部署和管理等所有環節。

Building Machine Learning Pipelines
作者:Hannes Hapke、Catherine Nelson

這本書引導您使用 TensorFlow 生態系統,逐步將機器學習管線自動化。這本書中的機器學習範例是以 TensorFlow 和 Keras 為基礎,但其中的核心概念可套用到任何架構中。

Machine Learning Engineering for Production (MLOps) Specialization

參加這四堂專項課程,培養自己的生產工程技能。瞭解如何概念化、建構及維護在實際工作環境中持續運作的整合系統。

ML Pipelines on Google Cloud

這個進階課程介紹 TFX 元件、管線調度管理和自動化,並說明如何使用 Google Cloud 管理機器學習中繼資料。

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。

Responsible AI 做法

瞭解如何使用 TensorFlow,將 Responsible AI 的做法整合至機器學習工作流程。

People + AI Guidebook

Google 的這本指南可協助你建構以人為本的 AI 產品。它能讓你在建構 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。

機器學習模組公平性簡介

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。