使用 TensorFlow 进行理论机器学习和高级机器学习

使用 TensorFlow 进行理论机器学习和高级机器学习

在开始学习下面的学习资料之前，请确保：

1. 完成我们提供的使用 TensorFlow 进行机器学习的基础知识这门课程，或者掌握同等知识

2. 具有软件开发经验，尤其是 Python 开发经验

本课程对于想要实现以下目标的人员来说是一个起点：

1. 加强对机器学习的理解

2. 开始理解论文中的观点并通过 TensorFlow 实现论文中的方法

在继续学习此附加内容之前，您应该已经掌握了关于机器学习工作原理的背景知识，或者已经看完入门课程使用 TensorFlow 进行机器学习的基础知识中的学习资料。以下内容旨在指导学习者学习更多理论知识和高级的机器学习内容。您会发现很多课程都采用了 TensorFlow，不过，这些知识也可以套用到其他机器学习框架中。

要进一步了解机器学习，您应该具有 Python 编程经验，以及微积分、线性代数、概率和统计学方面的背景知识。为了帮助您加深对机器学习的了解，我们列出了大学推荐的许多资源和课程，以及一些教材。

 

第 1 步：复习数学概念

机器学习是一门数学密集型学科。如果您打算修改机器学习模型或从头开始构建新模型，那么熟悉基础数学概念非常重要。您不必预先学习所有的数学知识，而是可以在遇到不熟悉的概念时查询相应信息。如果您已经有一段时间没接触过数学，可以尝试观看 3blue1brown 发布的线性代数的本质和微积分的本质这两集视频，复习下相关知识。我们建议您通过学习大学课程或观看麻省理工学院的公开讲座（例如线性代数或单变量微积分）来继续学习。

由 3blue1brown 发布的《线性代数的本质》

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。

 

由 3blue1brown 发布的《微积分的本质》

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，并重点介绍了基本定理。

 

麻省理工学院课程 18.06：线性代数

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。

麻省理工学院课程 18.01：单变量微积分

本课程是麻省理工学院发布的微积分入门课程，其中介绍了一元函数的微分和积分及其应用。

 

第 2 步：通过这些课程和图书加深对深度学习的理解

没有哪一门单独的课程可以涵盖您需要了解的所有深度学习知识。同时学习多门课程可能更为有效。尽管学习资料会有重叠的内容，但是由多位讲师以不同方式讲解概念可能会对您有所帮助，尤其是对于复杂的内容来说。下面是我们推荐的几门课程，可以帮助您入门。您可以同时查看所有这些课程，也可以只选择与您最相关的课程。

请注意，您学习的理论知识越多，并不断通过实践强化概念，您在构建和评估自己的机器学习模型方面就越熟练。

学习这些课程：

CS231n：视觉识别卷积神经网络是斯坦福大学推出的一系列有关深度学习架构详细信息的讲座视频和幻灯片，重点在于学习计算机视觉任务的端到端模型。这是一门精品课程，也是开始接触深度学习的绝佳选择。麻省理工学院课程 6.S191：深度学习简介是麻省理工学院推出的一门有关通过 TensorFlow 进行深度学习的简短入门课程，同样也是一门优秀的课程。此外，您还可以尝试学习由 Lex Fridman 讲授的麻省理工学院深度学习系列课程和讲座，内容涵盖深度学习、深度强化学习、自动驾驶汽车和人工智能。

最后，Andrew Ng 在 Coursera 上发布的具有开创性的深度学习专项课程包含五门课程，您可以在这些课程中了解深度学习的基础知识，包括卷积网络、RNN、LSTM 等。这门专项课程旨在帮助您将深度学习应用到工作中，并在 AI 领域成就一番事业。

CS231n：视觉识别卷积神经网络

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。

麻省理工学院课程 6.S191：深度学习简介

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。

 

麻省理工学院深度学习

由 Lex Fridman 讲授的一系列麻省理工学院课程和讲座，内容涵盖深度学习、深度强化学习、自动驾驶汽车和人工智能。

 

deeplearning.ai：《深度学习》专项课程

通过学习这 5 门课程，您将了解深度学习的基础知识以及如何构建神经网络。

 

⬆ 另请 ⬇ 阅读这些图书：

 

为了完善您通过上述课程所学的知识，我们建议您阅读下面的书籍来深入学习。每本书均可在线获取，其中还提供了帮助您实践的补充资料。

您可以先阅读由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 共同编著的《深度学习》（麻省理工学院出版社出版）。这本《深度学习》教材是一门高级教材，旨在帮助学生加深对概念的理解。本书随附的网站提供了各种补充资料，包括练习、课件、错误修正以及其他资源，供您动手练习所学概念。

此外，您还可以浏览 Michael Nielsen 编著的在线图书神经网络与深度学习。本书提供了有关神经网络的理论背景。本书并未用到 TensorFlow，但对于有兴趣深入学习的学生来说具有重要的参考价值。

论背景。本书并未用到 TensorFlow，但对于有兴趣深入学习的学生来说具有重要的参考价值。

 

《深度学习》：由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 共同编著，麻省理工学院出版社出版

这本《深度学习》教材旨在帮助学生和从业者进入机器学习领域，特别是深度学习领域。

 

由 Michael Nielsen 编著的《神经网络与深度学习》

本书提供了有关神经网络的理论背景。本书并未用到 TensorFlow，但具有重要的参考价值。

 

第 3 步：阅读论文并通过 TensorFlow 实现论文中的方法

到此阶段，我们建议您阅读论文并尝试学习我们网站上的高级教程，其中介绍了如何实现一些知名论文里提到的方法。学习高级应用（机器翻译或图片说明）的最佳方式是阅读教程中链接到的论文。在学习过程中，请找到代码的相关部分，并利用这些部分帮助您巩固理解。