דרישות מוקדמות ועבודות מוקדמות
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
האם קורס מקוצר על למידת מכונה מתאים לכם?
אין לי ניסיון רב בתחום למידת המכונה או שאין לי ניסיון בכלל.
מומלץ לעבור על כל החומר לפי הסדר.
יש לי ידע בסיסי בלמידת מכונה, אבל אני רוצה לקבל הבנה עדכנית ומלאה יותר.
קורס מקוצר על למידת מכונה יעזור לכם להתעדכן. אפשר לעבור על כל המודולים לפי הסדר, או לבחור רק את המודולים שמעניינים אתכם.
יש לי ניסיון מעשי בשימוש במושגים של למידת מכונה לעבודה עם נתונים ולפיתוח מודלים.
קורס מקוצר על למידת מכונה יכול להועיל לכם כחידוש של מושגים בסיסיים של למידת מכונה, אבל כדאי גם לבדוק כמה מהקורסים המתקדמים שלנו בנושא למידת מכונה, שמכסים כלים ושיטות לפתרון בעיות של למידת מכונה במגוון תחומים.
אני מחפש מדריכים לשימוש בממשקי API של למידת מכונה כמו Keras.
קורס Machine Learning Crash Course כולל כמה תרגילי תכנות שמשתמשים בספריות ML כמו numpy, pandas ו-Keras, אבל הוא מתמקד בעיקר בהוראת מושגי ML, ולא מלמד לעומק ממשקי API של למידת מכונה. משאבים נוספים בנושא Keras זמינים ב
מדריכים למפתחים של Keras.
לפני שמתחילים את קורס ה-Crash Course בנושא למידת מכונה, חשוב לקרוא את הקטעים הבאים: עבודות מוקדמות ודרישות מוקדמות, כדי לוודא שאתם מוכנים להשלים את כל המודולים.
עבודה מוקדמת
לפני שמתחילים את הקורס 'קורס מקוצר על למידת מכונה', צריך:
-
אם זו הפעם הראשונה שאתם משתמשים בלמידת מכונה, מומלץ לקרוא את המבוא ללמידת מכונה.
קורס קצר ללמידה עצמית שמציג מושגים בסיסיים של למידת מכונה.
-
אם אתם חדשים ב-NumPy, כדאי לבצע את התרגיל ב-Colab בנושא מדריך מהיר במיוחד ל-NumPy, שבו מפורט כל המידע הנדרש ב-NumPy לקורס הזה.
-
אם זו הפעם הראשונה שאתם משתמשים ב-pandas, כדאי לבצע את התרגיל ב-Colab בנושא מדריך מהיר במיוחד ל-pandas, שבו מפורט כל המידע הנדרש על pandas לצורך הקורס הזה.
דרישות מוקדמות
קורס מקוצר על למידת מכונה לא מניח ידע קודם בתחום למידת המכונה, ולא נדרש ידע כזה. עם זאת, כדי להבין את המושגים המוצגים ולבצע את התרגילים, מומלץ שהתלמידים יעמדו בדרישות המוקדמות הבאות:
צריך להכיר משתנים, משוואות ליניאריות, גרפים של פונקציות, תרשים עמודות וערכים ממוצעים סטטיסטיים.
צריך להיות לכם ידע טוב בתכנות. מומלץ שיהיו לכם ניסיון מסוים בתכנות ב-Python, כי תרגילי התכנות יהיו ב-Python. עם זאת, בדרך כלל מתכנתים מנוסים ללא ניסיון ב-Python יכולים להשלים את תרגילי התכנות בכל זאת.
בקטעים הבאים מופיעים קישורים למידע נוסף שיכול לעזור לכם.
אלגברה
אלגברה לינארית
טריגונומטריה
נתונים סטטיסטיים
חשבון דיפרנציאלי ואינטגרלי (אופציונלי, לנושאים מתקדמים)
תכנות ב-Python
במדריך Python מוסבר על הנושאים הבסיסיים הבאים ב-Python:
הגדרה של פונקציות והפעלה שלהן באמצעות פרמטרים פוזיציונליים ופרמטרים של מילות מפתח
מילונים, רשימות, קבוצות (יצירה, גישה וחזרה על פעולות)
לופי for, לופים של for עם כמה משתני איטרטור (למשל, for a, b in [(1,2), (3,4)])
בלוקים מותנים של if/else וביטויים מותנים
עיצוב מחרוזות
(למשל, '%.2f' % 3.14)
משתנים, הקצאה, סוגי נתונים בסיסיים
(int, float, bool, str)
בחלק מתרגילי התכנות נעשה שימוש במושג המתקדם יותר הבא ב-Python:
Bash Terminal ו-Cloud Console
כדי להריץ את תרגילי התכנות במחשב המקומי או במסוף בענן, צריך לדעת איך לעבוד בשורת הפקודה:
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-01-28 (שעון UTC).
[null,null,["עדכון אחרון: 2025-01-28 (שעון UTC)."],[[["\u003cp\u003eGoogle's Machine Learning Crash Course offers a flexible learning experience for users with varying levels of machine learning expertise, including beginners, those seeking a refresher, and experienced practitioners.\u003c/p\u003e\n"],["\u003cp\u003eThe course requires prework, such as familiarity with Python, NumPy, and pandas, and has prerequisites in algebra, linear algebra, statistics, and optionally, calculus, to fully grasp the concepts.\u003c/p\u003e\n"],["\u003cp\u003eWhile focusing on core ML concepts, the course incorporates practical programming exercises using libraries like NumPy, pandas, and Keras but doesn't delve deep into specific ML APIs.\u003c/p\u003e\n"],["\u003cp\u003eLearners are encouraged to complete the prework, including an introductory machine learning course and tutorials for NumPy and pandas, to ensure preparedness.\u003c/p\u003e\n"],["\u003cp\u003eThe course leverages the Colaboratory platform, offering browser-based programming exercises that require no setup and are best experienced on Chrome or Firefox desktops.\u003c/p\u003e\n"]]],[],null,["# Prerequisites and prework\n\n\u003cbr /\u003e\n\n### Is Machine Learning Crash Course right for you?\n\nI have little or no machine learning background. \nWe recommend going through all the material in order. \n[START LEARNING](/machine-learning/crash-course/linear-regression) \nI have some background in machine learning, but I'd like a more current and complete understanding. \nMachine Learning Crash Course will be a great refresher. Go through all the modules in order, or select only those modules that interest you. \n[START LEARNING](/machine-learning/crash-course/linear-regression) \nI have practical experience applying machine learning concepts to work with data and build models. \nWhile Machine Learning Crash Course may be useful to you as a refresher of fundamental machine learning concepts, you may also want to explore some of our advanced machine learning courses, which cover tools and techniques for solving machine learning problems in a variety of domains. \n[START LEARNING](/machine-learning/advanced-courses) \nI am looking for tutorials on how to use ML APIs like Keras. \nWhile Machine Learning Crash Course includes several programming exercises that use ML libraries such as numpy, pandas, and Keras, it is primarily focused on teaching ML concepts, and does not teach ML APIs in depth. For additional Keras resources, see the [Keras Developer guides](https://keras.io/guides/).\n\nPlease read through the following [Prework](#prework) and\n[Prerequisites](#prerequisites) sections before beginning Machine Learning\nCrash Course, to ensure you are prepared to complete all the modules.\n\nPrework\n-------\n\nBefore beginning Machine Learning Crash Course, do the following:\n\n1. If you're new to machine learning, take [Introduction to Machine\n Learning](/machine-learning/intro-to-ml). This short self-study course introduces fundamental machine learning concepts.\n2. If you are new to [NumPy](https://numpy.org), do the [NumPy\n Ultraquick Tutorial](https://colab.research.google.com/github/google/eng-edu/blob/main/ml/cc/exercises/numpy_ultraquick_tutorial.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=mlcc-prework&hl=en) Colab exercise, which provides all the NumPy information you need for this course.\n3. If you are new to [pandas](https://pandas.pydata.org/), do the [pandas\n UltraQuick Tutorial](https://colab.research.google.com/github/google/eng-edu/blob/main/ml/cc/exercises/pandas_dataframe_ultraquick_tutorial.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=mlcc-prework&hl=en) Colab exercise, which provides all the pandas information you need for this course.\n\nProgramming exercises run directly in your browser (no setup\nrequired!) using the [Colaboratory](https://colab.research.google.com)\nplatform. Colaboratory is supported on most major browsers, and is most\nthoroughly tested on desktop versions of Chrome and Firefox.\n\nPrerequisites\n-------------\n\nMachine Learning Crash Course does not presume or require any prior knowledge in\nmachine learning. However, to understand the concepts presented\nand complete the exercises, we recommend that students meet the\nfollowing prerequisites:\n\n- You must be comfortable with variables, linear equations,\n graphs of functions, histograms, and statistical means.\n\n- You should be a good programmer. Ideally, you should have some\n experience programming in [Python](https://www.python.org/) because\n the programming exercises are in Python. However, experienced\n programmers without Python experience can usually complete the programming\n exercises anyway.\n\nThe following sections provide links to additional background material\nthat is helpful.\n\n### Algebra\n\n- [variables](https://www.khanacademy.org/math/algebra/x2f8bb11595b61c86:foundation-algebra/x2f8bb11595b61c86:intro-variables/v/what-is-a-variable), [coefficients](https://www.khanacademy.org/math/cc-sixth-grade-math/cc-6th-equivalent-exp/cc-6th-parts-of-expressions/v/expression-terms-factors-and-coefficients), and [functions](https://www.khanacademy.org/math/algebra-home/alg-functions)\n- [linear equations](https://wikipedia.org/wiki/Linear_equation) such as \\\\(y = b + w_1x_1 + w_2x_2\\\\)\n- [logarithms](https://wikipedia.org/wiki/Logarithm), and logarithmic equations such as \\\\(y = ln(1+ e\\^z)\\\\)\n- [sigmoid function](https://wikipedia.org/wiki/Sigmoid_function)\n\n### Linear algebra\n\n- [tensor and tensor rank](https://www.tensorflow.org/guide/tensor)\n- [matrix multiplication](https://wikipedia.org/wiki/Matrix_multiplication)\n\n### Trigonometry\n\n- [tanh](https://reference.wolfram.com/language/ref/Tanh.html) (discussed as an [activation function](https://developers.google.com/machine-learning/glossary#activation_function); no prior knowledge needed)\n\n### Statistics\n\n- [mean, median, outliers](https://www.khanacademy.org/math/probability/data-distributions-a1/summarizing-center-distributions/v/mean-median-and-mode), and [standard deviation](https://wikipedia.org/wiki/Standard_deviation)\n- ability to read a [histogram](https://wikipedia.org/wiki/Histogram)\n\n### Calculus (*optional, for advanced topics*)\n\n- concept of a [derivative](https://wikipedia.org/wiki/Derivative) (you won't have to actually calculate derivatives)\n- [gradient](https://www.khanacademy.org/math/multivariable-calculus/multivariable-derivatives/gradient-and-directional-derivatives/v/gradient) or slope\n- [partial derivatives](https://wikipedia.org/wiki/Partial_derivative) (which are closely related to gradients)\n- [chain rule](https://wikipedia.org/wiki/Chain_rule) (for a full understanding of the [backpropagation algorithm](https://developers.google.com/machine-learning/crash-course/backprop-scroll/) for training neural networks)\n\n### Python Programming\n\nThe following Python basics are covered in [The Python Tutorial](https://docs.python.org/3/tutorial/):\n\n- [defining and calling functions](https://docs.python.org/3/tutorial/controlflow.html#defining-functions),\n using positional and [keyword](https://docs.python.org/3/tutorial/controlflow.html#keyword-arguments) parameters\n\n- [dictionaries](https://docs.python.org/3/tutorial/datastructures.html#dictionaries),\n [lists](https://docs.python.org/3/tutorial/introduction.html#lists),\n [sets](https://docs.python.org/3/tutorial/datastructures.html#sets) (creating, accessing, and iterating)\n\n- [`for` loops](https://docs.python.org/3/tutorial/controlflow.html#for-statements),\n `for` loops with multiple iterator variables (e.g., `for a, b in [(1,2), (3,4)]`)\n\n- [`if/else` conditional blocks](https://docs.python.org/3/tutorial/controlflow.html#if-statements) and\n [conditional expressions](https://docs.python.org/2.5/whatsnew/pep-308.html)\n\n- [string formatting](https://docs.python.org/3/tutorial/inputoutput.html#old-string-formatting)\n (e.g., `'%.2f' % 3.14`)\n\n- variables, assignment, [basic data types](https://docs.python.org/3/tutorial/introduction.html#using-python-as-a-calculator)\n (`int`, `float`, `bool`, `str`)\n\nA few of the programming exercises use the following more advanced\nPython concept:\n\n- [list comprehensions](https://docs.python.org/3/tutorial/datastructures.html#list-comprehensions)\n\n### Bash Terminal and Cloud Console\n\nTo run the programming exercises on your local machine or in a cloud console,\nyou should be comfortable working on the command line:\n\n- [Bash Reference Manual](https://tiswww.case.edu/php/chet/bash/bashref.html)\n- [Bash Cheatsheet](https://github.com/LeCoupa/awesome-cheatsheets/blob/master/languages/bash.sh)\n- [Learn Shell](http://www.learnshell.org/)\n\n[Help Center](https://support.google.com/machinelearningeducation)"]]
