机器学习速成课程是否适合您？
我对机器学习知之甚少或一无所知。
建议您按顺序学习所有资料。
我对机器学习有一些了解，但希望获得更全面、更实时的信息。
不妨参阅《机器学习速成课程》来温故知新。按顺序浏览所有模块，或仅选择您感兴趣的模块。
我有实际经验，能够将机器学习概念应用于处理数据和构建模型。
虽然《机器学习速成课程》有助于您回顾机器学习基础概念，但您可能还需要探索我们的一些高级机器学习课程，这些课程涵盖了用于解决各种领域机器学习问题的工具和技术。
我正在寻找有关如何使用 Keras 等机器学习 API 的教程。
虽然“机器学习速成课程”包含一些使用 numpy、pandas 和 Keras 等机器学习库的编程练习，但其主要侧重于讲授机器学习概念，而不会深入讲授机器学习 API。如需更多 Keras 资源，请参阅 Keras 开发者指南。
在开始《机器学习速成课程》之前，请先阅读下面的准备工作和前提条件部分，以确保您已做好完成所有单元所需的准备工作。
准备工作
在开始《机器学习速成课程》之前，请执行以下操作：
- 如果您刚开始接触机器学习，请学习机器学习简介。 本短视频自学课程介绍了机器学习的基础概念。
- 如果您刚开始接触 NumPy，请完成 NumPy 极速入门教程 Colab 练习，该练习提供了学习本课程所需的全部 NumPy 信息。
- 如果您还不熟悉 Pandas，请完成 Pandas UltraQuick 教程 Colab 练习，该教程提供了学习本课程所需的全部 Pandas 信息。
前提条件
机器学习速成课程不假定或要求您具备任何机器学习方面的先前知识。不过，为了理解所介绍的概念并完成练习，我们建议学生满足以下前提条件：
您必须熟悉变量、线性方程式、函数图、直方图和统计平均值。
您应该是一名优秀的程序员。理想情况下，您应该具备一些 Python 编程经验，因为编程练习采用的是 Python 语言。不过，即使没有 Python 经验，有经验的程序员通常也能完成编程练习。
以下部分提供了指向其他实用背景资料的链接。
代数
线性代数
三角学
统计信息
- 均值、中间值、离群值和标准差
- 能够读取直方图
微积分（可选，适用于高级主题）
Python 编程
Python 教程介绍了以下 Python 基础知识：
for循环、包含多个迭代器变量的for循环（例如for a, b in [(1,2), (3,4)])字符串格式（例如
'%.2f' % 3.14）变量、赋值、基本数据类型 (
int、float、bool、str)
部分编程练习使用了以下更高级的 Python 概念：
Bash 终端和 Cloud 控制台
如需在本地机器或云控制台中运行编程练习，您应熟练使用命令行：