机器学习速成课程

Google 提供的快节奏、实用的机器学习简介课程,包含一系列包含视频讲座、互动式可视化内容和实操练习的课程。
自 2018 年以来,全球已有数百万人通过机器学习速成课程来了解机器学习的工作原理,以及机器学习如何为他们提供帮助。我们很高兴地宣布推出新版 MLCC,它涵盖了 AI 的最新进展,并更加关注互动学习。观看此视频,详细了解改进后的全新 MLCC。

课程单元

每个机器学习速成课程单元都是独立的,因此,如果您之前在机器学习方面有过相关经验,可以直接跳至想要学习的主题。如果您是机器学习方面的新手,建议您按以下顺序学习模块。

机器学习模型

这些模块涵盖了构建回归和分类模型的基础知识 模型。

线性回归简介,涵盖线性模型、损失、梯度下降法和超参数调节。
逻辑回归简介,该模型旨在预测给定结果的概率。
介绍了二元分类模型,涵盖阈值、混淆矩阵以及准确率、精确率、召回率和 AUC 等指标。

数据

这些单元介绍了处理机器学习数据的基本技术和最佳做法。

了解如何分析和转换数值数据,以帮助更有效地训练机器学习模型。
学习使用分类数据的基础知识:如何区分分类数据和数值数据;如何使用独热编码、特征哈希和均值编码以数字方式表示分类数据;以及如何执行特征组合。
简要介绍机器学习数据集的特征,以及如何在训练和评估模型时准备数据以确保获得高质量的结果。

高级机器学习模型

这些单元介绍了高级机器学习模型架构。

介绍神经网络架构的基本原理,包括感知机、隐藏层和激活函数。
了解如何通过嵌入对大型特征向量进行机器学习。
新建
大语言模型简介,从令牌到 Transformer。了解有关 LLM 如何学习预测文本输出以及它们的架构和训练方式的基础知识。

现实世界的机器学习

这些单元介绍了在现实世界中构建和部署机器学习模型时需要考虑的重要事项,包括生产环境中的最佳做法、自动化和负责任的工程。

了解机器学习生产系统如何在各种组件上运行。
新建
了解使用自动化机器学习的原则和最佳做法。
了解审核机器学习模型以保持公平性的原则和最佳做法,包括识别和减少数据偏差的策略。