TensorFlow 理論與進階機器學習

機器學習是一門數學密集的學科。如果您計劃修改機器學習模型，或從頭開始建立新模型，熟悉底層數學概念非常重要。您不必預先學習所有數學知識，而是可以在遇到不熟悉的概念時查閱。如果您已經有一段時間沒有上數學課了，請嘗試觀看 3blue1brown 的「線性代數的本質」和「微積分的本質」播放清單以複習一下。我們建議您繼續修讀大學課程，或觀看 MIT 的開放式課程講座，例如 線性代數 或 單變數微積分。

沒有任何單一課程可以教您關於深度學習的所有知識。一個可能有幫助的方法是同時修讀幾門課程。雖然教材內容會有重疊，但讓多位講師以不同的方式解釋概念可能會有所幫助，尤其對於複雜的主題而言。以下是我們推薦的幾門課程，可幫助您入門。您可以一起探索所有課程，或僅選擇對您來說最相關的課程。

請記住，您學得越多，並透過實踐來強化這些概念，您就越能熟練地建立和評估自己的機器學習模型。

MIT 課程 6.S191：「深度學習導論」是 MIT 開設的使用 TensorFlow 的深度學習入門課程，也是一個很棒的資源。

吳恩達在 Coursera 上的「深度學習專業化課程」也教授深度學習的基礎知識，包括卷積網路、RNN、LSTM 等。此專業化課程旨在幫助您將深度學習應用於工作中，並在人工智慧領域發展事業。

為了補充您在上面列出的課程中學到的知識，我們建議您透過閱讀以下書籍來深入了解。每本書籍都可以在線上取得，並提供補充資料來幫助您練習。

您可以從閱讀 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著的《Deep Learning: An MIT Press Book》開始。《Deep Learning》教科書是一本進階資源，旨在幫助學生加深理解。本書附帶一個網站，其中提供了各種補充資料，包括練習、講座投影片、錯誤更正和其他資源，讓您親身練習這些概念。

您也可以探索 Michael Nielsen 的線上書籍《Neural Networks and Deep Learning》。本書提供了關於神經網路的理論背景知識。它沒有使用 TensorFlow，但對於有興趣學習更多知識的學生來說，是一個很好的參考資料。

在這個階段，我們建議閱讀論文並嘗試我們網站上的進階教學課程，其中包含一些著名出版物的實作。學習進階應用程式（如機器翻譯或圖像標註）的最佳方法是閱讀教學課程中連結的論文。當您逐步學習時，找到程式碼的相關部分，並使用它們來幫助鞏固您的理解。