京公网安备 11010802034615号
经营许可证编号:京B2-20210330
Google机器学习零基础在线课程发布,免费!附中文版
新的学习资源来了!刚刚,谷歌上线了人工智能学习网站 Learn with Google AI,并推出了机器学习在线课程,免费!而且还有中文版!
传送门:
“机器学习速成课程”中文版:
https://developers.google.com/machine-learning/crash-course/
Learn with Google AI:
https://ai.google/education
这个课程名为“机器学习速成课程” (简称MLCC) ,定位为机器学习热爱者的自学指南。
本来这是谷歌的内部课程,最初旨在帮助谷歌员工建立对人工智能和机器学习基本原理的快速认知,目前已有18,000名员工参加。
现在,谷歌终于允许这个课程“飞进寻常百姓家”。
课程总体时长大约15个小时,包含25节互动式课程、Google研究人员的讲座、40多项练习、实际案例研究等,还可以以互动方式直观呈现算法的实际运用。
为了展现课程全貌,我们将目录展示如下:
目录
简介
目标
前提条件和准备工作
机器学习概念
机器学习简介(3分钟)
框架处理(15 分钟)
深入了解机器学习(20 分钟)
降低损失(60 分钟)
使用 TF 的基本步骤(60 分钟)
泛化(15 分钟)
训练集和测试集(25 分钟)
验证(40 分钟)
表示法(65 分钟)
特征组合(70 分钟)
正则化:简单性(40 分钟)
逻辑回归(20 分钟)
分类(90 分钟)
正则化:稀疏性(45 分钟)
神经网络简介(55 分钟)
训练神经网络(40 分钟)
多类别神经网络(50 分钟)
嵌入(80 分钟)
机器学习工程
生产环境机器学习系统(3分钟)
静态训练与动态训练(7 分钟)
静态推理与动态推理(7 分钟)
数据依赖关系(14 分钟)
机器学习现实世界应用示例
癌症预测(5 分钟)
18 世纪文学(5 分钟)
现实世界应用准则(2 分钟)
总结
后续步骤
课程可以教会你什么?
官网显示,该课程将解答如下问题:
学习前的准备工作
看到这里,你是不是跃跃欲试、摩拳擦掌呢?别急,虽然谷歌表示,这门速成课程是为机器学习零基础的新手设计的,但是为了能够理解课程中介绍的概念并完成练习,需要参与者掌握入门级的代数知识;熟练掌握编程基础并具有一些使用Python进行编码的经验。
在准备工作中,课程还要求学习者对 Pandas 有所了解,因为机器学习速成课程中的编程练习使用 Pandas 库来操控数据集。
同时需要你了解低阶的 TensorFlow 基础知识,因为速成课程中的编程练习使用 TensorFlow 的高阶 tf.estimator API 来配置模型。
对于需要用到的主要概念和工具,谷歌也做了系统的罗列,很多概念都有超链接来进行解释,但可惜的是很多超链过去的网站都是英文,看来英文还是不能还给老师啊。
课程学习
准备工作完成后,就可以参照目录进行按部就班的学习了。
课程提供包括英语、西班牙语、法语、韩语和简体中文在内的多种版本,可以从网页左下角的下拉列表中选择语言。
值得一提的是,视频讲座的配音是使用机器学习技术生成的。营长在试听后发现,虽然机器的味道还很重,但并不影响理解,视频上方还有“发送反馈”的设置,点击后可以提交错误报告和建议,协助谷歌改进配音技术。
学习效果的检验
除了教学视频和文章,在每一小节结束后,课程都还附有检验学习效果的小题目。
比如在第一节框架处理的学习结束后的题目是这样的:
在你选择完成后,系统会告诉参与者为什么是对的,为什么是错的:
当然也有编程练习,比如:
谷歌为什么这么做?
半个月前,一年一度的 MIT 十大突破性技术评选揭晓,“AI 大众化”位列其中,评选机构认为其突破性在于基于云的 AI 技术使得 AI 更加便宜且易于使用。
自从公司战略从 Mobile first 转变为 AI first 以来,Google 就不遗余力地推行人工智能的大众化,其中就包括像 TensorFlow 以及更有趣的一些项目,比如 Doodles等,这些实验旨在以更实用的方式展示 AI。
尽管如此,很多公司依然缺乏足够多会使用 AI 的人才,“人工智能人才缺口数百万”这样的报道也屡屡被朋友圈刷屏,所以谷歌正试图让更多的人能够通过 Learn with Google AI 来一起了解这个领域,并将人工智能和机器学习的人才汇聚起来,供他们了解机器学习核心概念、开发技巧以及应用其解决一些实际问题。
机器学习速成课程 (简称MLCC) 是谷歌的第一个课程计划,相信日后谷歌会上线更多的课程和资源。
祝大家学习愉快!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17