Вимоги й підготовка
Тримайте все під контролем за допомогою колекцій
Зберігайте контент і організовуйте його за категоріями відповідно до своїх потреб.
Чи підходить вам Інтенсивний курс із машинного навчання?
У мене мало або зовсім немає досвіду в машинному навчанні.
Рекомендуємо ознайомитися з усіма матеріалами підряд.
У мене є певний досвід у машинному навчанні, але я хочу дізнатися більше про нього й отримати актуальну інформацію.
Інтенсивний курс із машинного навчання добре підходить для того, щоб освіжити знання. Перегляньте всі модулі підряд або лише ті, які вас цікавлять.
У мене є практичний досвід у застосуванні концепцій машинного навчання для роботи з даними й побудови моделей.
Інтенсивний курс із машинного навчання може стати вам у пригоді для повторення його основних концепцій. Проте ви також можете спробувати деякі наші поглиблені курси на цю тему, з яких дізнаєтеся про інструменти й методи вирішення проблем машинного навчання в різних галузях.
Я шукаю навчальні посібники, щоб дізнатися, як використовувати API машинного навчання, наприклад Keras.
В Інтенсивному курсі є кілька вправ із програмування з використанням бібліотек машинного навчання, таких як numpy, pandas і Keras. Проте курс здебільшого розглядає концепції машинного навчання й не передбачає поглибленого вивчення відповідних API. Додаткові ресурси про Keras є в
посібниках розробників Keras.
Прочитайте розділи Підготовка й Вимоги, перш ніж почати проходити Інтенсивний курс із машинного навчання, щоб переконатися, що ви готові до всіх модулів.
Підготовка
Перш ніж почати проходити Інтенсивний курс із машинного навчання, виконайте дії, наведені нижче.
-
Якщо ви тільки починаєте вивчати машинне навчання, перейдіть у розділ Вступ до машинного навчання.
У цьому короткому курсі для самостійного вивчення ви дізнаєтеся про основні концепції машинного навчання.
-
Якщо ви вперше знайомитеся з NumPy, виконайте вправу із швидкого навчального посібника з NumPy у Colab, з якої ви дізнаєтеся все, що потрібно знати про NumPy для цього курсу.
-
Якщо ви вперше знайомитеся з pandas, виконайте вправу із швидкого навчального посібника з pandas у Colab, з якої ви дізнаєтеся все, що потрібно знати про pandas для цього курсу.
Вимоги
Щоб проходити Інтенсивний курс із машинного навчання, не потрібні попередні знання в галузі машинного навчання. Однак бажано відповідати вимогам, наведеним нижче, щоб мати змогу засвоїти представлені концепції і виконати вправи.
Ви маєте добре розбиратись у змінних, лінійних рівняннях, графіках функцій, гістограмах і статистичних методах.
Ви маєте бути хорошим програмістом. Найкраще, якщо у вас є певний досвід роботи з Python, оскільки вправи з програмування написані на Python. Однак досвідчені програмісти без досвіду кодування на Python зазвичай можуть виконувати всі такі вправи.
У наступних розділах містяться посилання на інші корисні довідкові матеріали.
Алгебра
Лінійна алгебра
Тригонометрія
Статистика
Числення (за бажанням, для поглиблених тем)
Програмування мовою Python
У навчальному посібнику з Python розглядаються такі основи Python:
визначення й виклик функцій за допомогою позиційних параметрів, а також параметрів ключових слів
словники, списки, набори (створення, доступ і ітерації)
forцикли, for цикли з декількома змінними ітератора (наприклад, for a, b in [(1,2), (3,4)])
if/else умовні блоки й умовні вирази
форматування рядків (наприклад, '%.2f' % 3.14)
змінні, присвоєння, основні типи даних (int, float, bool, str)
У деяких вправах із програмування використовується складніша концепція Python:
Термінал Bash і хмарна консоль
Щоб виконувати вправи з програмування на локальному комп’ютері або в хмарній консолі, потрібно вміти працювати з командним рядком.
Якщо не вказано інше, вміст на цій сторінці надається за ліцензією Creative Commons Зазначення Авторства 4.0, а приклади коду – за ліцензією Apache 2.0. Щоб дізнатися більше, перегляньте Правила сайту Google Developers. Java – це зареєстрована торговельна марка компанії Oracle і/або її філій.
Останнє оновлення: 2025-04-22 (UTC).
[null,null,["Останнє оновлення: 2025-04-22 (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)"]]