المتطلّبات الأساسية والعمل المُسبَق
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
هل دورة التعلّم الآلي المكثّفة مناسبة لك؟
ليس لديّ خلفية عن التعلم الآلي أو لا أملك أيّ خلفية على الإطلاق.
ننصحك بالاطّلاع على كل المواد بالترتيب.
لديّ بعض الخلفية في تعلُّم الآلة، ولكنّني أريد فهمًا أكثر حداثة وشمولاً.
ستكون الدورة المكثّفة عن تعلُّم الآلة مفيدة جدًا لتجديد المعلومات. اطّلِع على جميع الوحدات بالترتيب، أو اختَر الوحدات التي تهمّك فقط.
لديّ خبرة عملية في تطبيق مفاهيم تعلُّم الآلة للعمل مع البيانات وإنشاء النماذج.
على الرغم من أنّ الدورة المكثّفة عن تعلُّم الآلة قد تكون مفيدة لك كمراجعة للمفاهيم الأساسية
المتعلّقة بتعلُّم الآلة، ننصحك أيضًا باستكشاف بعض الدورات المتعلّقة بالتعلُّم الآلي المتقدم، والتي تتناول الأدوات والأساليب اللازمة لحلّ مشكلات تعلُّم الآلة في مجموعة متنوعة
من المجالات.
أبحث عن أدلة تعليمية حول كيفية استخدام واجهات برمجة تطبيقات تعلُّم الآلة، مثل Keras.
على الرغم من أنّ دورة Machine Learning Crash Course (دورة تدريبية سريعة حول تعلُّم الآلة) تتضمّن العديد من تمارين البرمجة التي تستخدِم
مكتبات تعلُّم الآلة، مثل numpy وpandas وKeras، إلا أنّها تركّز بشكل أساسي على تعليم
مفاهيم تعلُّم الآلة، ولا تدرّس واجهات برمجة التطبيقات المتعلّقة بتعلُّم الآلة بشكل مفصّل. للحصول على مراجع إضافية حول Keras،
يُرجى الاطّلاع على
دلائل مطوّري Keras.
يُرجى قراءة قسمَي العمل التمهيدي والمتطلّبات الأساسية أدناه قبل بدء الدورة التدريبية المكثّفة المتعلّقة بالتعلم الآلي، وذلك للتأكّد من استعدادك لإكمال جميع الوحدات.
العمل التمهيدي
قبل بدء الدورة المكثّفة عن تعلُّم الآلة، عليك تنفيذ ما يلي:
-
إذا كنت حديث العهد بتعلُّم الآلة، اطّلِع على مقدّمة عن تعلُّم
الآلة.
تقدّم هذه الدورة التدريبية القصيرة للدراسة الذاتية أساسيات تعلُّم الآلة.
-
إذا كنت مبتدئًا في استخدام NumPy، يمكنك إجراء التمارين في الدليل التعليمي السريع جدًا حول NumPy على Colab، والذي يوفّر كل المعلومات التي تحتاج إليها حول مكتبة NumPy لفهم هذه الدورة التدريبية.
-
إذا كنت مستخدِمًا جديدًا لمكتبة pandas، يمكنك إجراء التمارين التالية في Colab:
الدليل التعليمي السريع جداً لمكتبة pandas، الذي يوفّر كل المعلومات التي تحتاجها عن مكتبة pandas
في هذه الدورة التدريبية.
المتطلبات الأساسية
لا تفترض "الدورة المكثّفة عن تعلُّم الآلة" أو تتطلّب أي معرفة مسبقة في
تعلُّم الآلة. ومع ذلك، لفهم المفاهيم المقدَّمة
وإكمال التمارين، ننصحك بأن يستوفي الطلاب المتطلّبات الأساسية التالية:
يجب أن تكون على دراية بالمتغيّرات والمعادلات الخطية
والرسوم البيانية للدوالّ والرسوم البيانية للشرائح والقيم المتوسطة الإحصائية.
يجب أن تكون مبرمِجًا جيدًا. من الأفضل أن تكون لديك بعض
الخبرة في البرمجة باستخدام Python لأنّه
يتم إجراء تمارين البرمجة باستخدام هذه اللغة. ومع ذلك، يمكن للمبرمجين المُحترفين الذين ليس لديهم خبرة في لغة بايثون إكمال تمارين البرمجة على أي حال.
تقدّم الأقسام التالية روابط إلى مواد إضافية مفيدة تتعلّق بالخلفية.
الجبر
الجبر الخطي
علم المثلثات
الإحصاءات
حساب التفاضل والتكامل (اختياري، للمواضيع المتقدّمة)
برمجة Python
تتناول الدورة التعليمية حول لغة بايثون المبادئ الأساسية التالية للغة بايثون:
تستخدِم بعض تمارين البرمجة مفهوم برمجة Python التالي الأكثر تقدمًا:
Bash Terminal وCloud Console
لتشغيل تمارين البرمجة على جهازك المحلي أو في وحدة تحكّم في السحابة الإلكترونية،
يجب أن تكون مرتاحًا في العمل على سطر الأوامر:
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-01-28 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-01-28 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\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)"]]
