สิ่งที่ต้องดำเนินการก่อนและการทำงานเบื้องต้น
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงเหมาะกับคุณไหม
ฉันมีพื้นฐานด้านแมชชีนเลิร์นนิงน้อยหรือไม่มีเลย
เราขอแนะนำให้อ่านเนื้อหาทั้งหมดตามลำดับ
ฉันมีพื้นฐานด้านแมชชีนเลิร์นนิงบ้าง แต่อยากได้ความรู้ที่ทันสมัยและสมบูรณ์มากขึ้น
หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงจะเป็นข้อมูลทบทวนที่ดี คุณสามารถดูโมดูลทั้งหมดตามลําดับ หรือเลือกเฉพาะโมดูลที่สนใจ
ฉันมีประสบการณ์จริงในการใช้แนวคิดแมชชีนเลิร์นนิงเพื่อทํางานกับข้อมูลและสร้างโมเดล
แม้ว่าหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงอาจมีประโยชน์ในการทบทวนแนวคิดพื้นฐานเกี่ยวกับแมชชีนเลิร์นนิง แต่คุณอาจต้องการดูหลักสูตรแมชชีนเลิร์นนิงขั้นสูงของเราด้วย ซึ่งครอบคลุมเครื่องมือและเทคนิคในการแก้ปัญหาแมชชีนเลิร์นนิงในโดเมนต่างๆ
ฉันต้องการบทแนะนำเกี่ยวกับวิธีใช้ ML API เช่น Keras
แม้ว่าหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงจะมีแบบฝึกหัดการเขียนโปรแกรมหลายรายการที่ใช้ไลบรารี ML เช่น numpy, pandas และ Keras แต่เนื้อหาหลักจะเน้นไปที่การสอนแนวคิด ML และไม่สอน ML API อย่างละเอียด ดูแหล่งข้อมูล Keras เพิ่มเติมได้ใน
คู่มือนักพัฒนาซอฟต์แวร์ Keras
โปรดอ่านส่วนงานเตรียมล่วงหน้าและข้อกําหนดเบื้องต้นต่อไปนี้ก่อนเริ่มดูหลักสูตรเร่งรัดเกี่ยวกับ Machine Learning เพื่อให้คุณพร้อมที่จะเรียนจบทุกโมดูล
งานก่อนเริ่มเวิร์กช็อป
ก่อนเริ่มหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง ให้ทําดังนี้
-
หากคุณเพิ่งเริ่มใช้แมชชีนเลิร์นนิง โปรดดูข้อมูลเบื้องต้นเกี่ยวกับแมชชีนเลิร์นนิง
หลักสูตรแบบเรียนด้วยตนเองสั้นๆ นี้จะแนะนำแนวคิดพื้นฐานเกี่ยวกับแมชชีนเลิร์นนิง
-
หากคุณเพิ่งเริ่มใช้ NumPy ให้ทำแบบฝึกหัด บทแนะนำ NumPy แบบย่อ ใน Colab ซึ่งให้ข้อมูล NumPy ทั้งหมดที่คุณต้องการสำหรับหลักสูตรนี้
-
หากคุณเพิ่งเคยใช้ pandas ให้ทำแบบฝึกหัด บทแนะนำแบบย่อของ pandas ใน Colab ซึ่งให้ข้อมูล pandas ทั้งหมดที่คุณต้องการสำหรับหลักสูตรนี้
ข้อกำหนดเบื้องต้น
หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงไม่ได้คาดหวังหรือกำหนดให้ต้องมีความรู้ด้านแมชชีนเลิร์นนิงมาก่อน อย่างไรก็ตาม เราขอแนะนำให้นักเรียนมีคุณสมบัติตรงตามข้อกําหนดเบื้องต้นต่อไปนี้เพื่อให้เข้าใจแนวคิดที่นำเสนอและทำแบบฝึกหัดจนเสร็จสมบูรณ์
คุณต้องคุ้นเคยกับตัวแปร สมการเชิงเส้น กราฟของฟังก์ชัน ฮิสโตแกรม และค่าเฉลี่ยทางสถิติ
คุณควรเป็นนักโปรแกรมเมอร์ที่ดี คุณควรมีประสบการณ์ในการเขียนโปรแกรม Python อยู่บ้าง เนื่องจากแบบฝึกหัดการเขียนโปรแกรมเป็น Python อย่างไรก็ตาม นักโปรแกรมเมอร์ที่มีประสบการณ์แต่ไม่เคยใช้ Python มาก่อนก็สามารถทำแบบฝึกหัดการเขียนโปรแกรมให้เสร็จได้
ส่วนต่อไปนี้มีลิงก์ไปยังเนื้อหาพื้นฐานเพิ่มเติมที่เป็นประโยชน์
พีชคณิต
พีชคณิตเชิงเส้น
ตรีโกณมิติ
สถิติ
แคลคูลัส (ไม่บังคับ สำหรับหัวข้อขั้นสูง)
โปรแกรมภาษาไพธอน
บทแนะนำ Python ครอบคลุมพื้นฐานของ Python ต่อไปนี้
การกําหนดและเรียกใช้ฟังก์ชัน ใช้พารามิเตอร์ตำแหน่งและคีย์เวิร์ด
พจนานุกรม,
ลิสต์,
ชุด (การสร้าง การเข้าถึง และการวนซ้ำ)
for ลูป,
for ลูปที่มีตัวแปรตัวดำเนินการซ้ำหลายรายการ (เช่น for a, b in [(1,2), (3,4)])
if/else บล็อกแบบมีเงื่อนไข และนิพจน์แบบมีเงื่อนไข
การจัดรูปแบบสตริง
(เช่น '%.2f' % 3.14)
ตัวแปร การกำหนด ประเภทข้อมูลพื้นฐาน (int, float, bool, str)
การฝึกเขียนโปรแกรมบางรายการใช้แนวคิดขั้นสูงของ Python ต่อไปนี้
Bash Terminal และ Cloud Console
หากต้องการเรียกใช้แบบฝึกหัดการเขียนโปรแกรมในเครื่องหรือในคอนโซลระบบคลาวด์ คุณควรทํางานกับบรรทัดคําสั่งได้ดังนี้
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-01-28 UTC
[null,null,["อัปเดตล่าสุด 2025-01-28 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)"]]
