Wymagania wstępne i przygotowanie
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Czy Szybkie szkolenie z systemów uczących się jest dla Ciebie odpowiednie?
Nie mam lub mam niewielką wiedzę na temat systemów uczących się.
Zalecamy zapoznanie się z całym materiałem w kolejności.
Mam podstawową wiedzę z zakresu uczenia maszynowego, ale chciałbym uzyskać bardziej aktualne i pełne informacje.
Szybkie szkolenie z systemów uczących się będzie świetnym przypomnieniem. Przejrzyj wszystkie moduły w kolejności lub wybierz tylko te, które Cię interesują.
Mam praktyczne doświadczenie w stosowaniu koncepcji uczenia maszynowego do pracy z danymi i tworzenia modeli.
Szybkie szkolenie z uczenia maszynowego może być przydatne do przypomnienia sobie podstawowych koncepcji uczenia maszynowego, ale warto też zapoznać się z naszymi zaawansowanymi kursami dotyczącymi uczenia maszynowego, które obejmują narzędzia i techniki rozwiązywania problemów związanych z uczeniem maszynowym w różnych domenach.
Szukam samouczków na temat interfejsów API do uczenia maszynowego, takich jak Keras.
Kurs intensywny uczenia maszynowego zawiera kilka ćwiczeń programowania, które wykorzystują biblioteki uczenia maszynowego, takie jak numpy, pandas i Keras, ale skupia się głównie na wyjaśnianiu pojęć związanych z uczeniem maszynowym i nie opisuje szczegółowo interfejsów API uczenia maszynowego. Więcej informacji o Keras znajdziesz w
przewodnikach dla programistów.
Zanim zaczniesz kurs intensywny z maszynowego uczenia, przeczytaj sekcje Przygotowanie i Wymagania wstępne, aby mieć pewność, że uda Ci się ukończyć wszystkie moduły.
Przygotowanie
Zanim zaczniesz szkolenie z uczenia maszynowego:
-
Jeśli nie masz doświadczenia z systemami uczącymi się, przeczytaj artykuł Wprowadzenie do systemów uczących się.
Na tym krótkim szkoleniu samoukowym poznasz podstawowe pojęcia związane z uczenie maszynowe.
-
Jeśli nie znasz jeszcze NumPy, wykonaj ćwiczenie w Colab NumPy Ultraquick Tutorial, które zawiera wszystkie informacje o NumPy, których potrzebujesz na potrzeby tego kursu.
-
Jeśli dopiero zaczynasz korzystać z pandas, wykonaj ćwiczenie Colab UltraQuick Tutorial, które zawiera wszystkie informacje o pandas, których potrzebujesz na potrzeby tego kursu.
Wymagania wstępne
Szybkie szkolenie z uczenia maszynowego nie zakłada ani nie wymaga żadnej wcześniejszej wiedzy na temat uczenia maszynowego. Aby jednak zrozumieć omawiane zagadnienia i wykonać ćwiczenia, zalecamy, aby uczniowie spełniali te wymagania wstępne:
Musisz znać zmienne, równania liniowe, wykresy funkcji, histogramy i średnie statystyczne.
Musisz być dobrym programistą. Najlepiej, jeśli masz już pewne doświadczenie w programowaniu w Python, ponieważ ćwiczenia programistyczne są w tym języku. Jednak doświadczeni programiści bez doświadczenia w Pythonie zwykle i tak mogą wykonać ćwiczenia z programowania.
W następnych sekcjach znajdziesz linki do dodatkowych materiałów, które mogą się przydać.
Algebra
algebra liniowa,
Trygonometria
Statystyki
Rachunek różniczkowy (opcjonalnie, w przypadku tematów zaawansowanych).
Programowanie w Pythonie
W samouczku Pythona omówiono te podstawy Pythona:
definiowanie i wywoływanie funkcji, korzystanie z parametrów pozycyjnych i słów kluczowych.
słowniki, listy, zbiory (tworzenie, dostęp i iterowanie).
forpętli,
forpętli z wieloma zmiennymi iteracyjnymi (np. for a, b in [(1,2), (3,4)])
if/elsebloki warunkowe i wyrażenia warunkowe
formatowanie ciągu znaków (np. '%.2f' % 3.14)
zmienne, przypisanie, podstawowe typy danych (int, float, bool, str)
Niektóre ćwiczenia programowania wykorzystują bardziej zaawansowane zagadnienia dotyczące Pythona:
Terminal Bash i konsola Cloud
Aby wykonywać ćwiczenia programistyczne na komputerze lokalnym lub w konsoli chmury, musisz umieć pracować w wierszu poleceń:
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-01-28 UTC.
[null,null,["Ostatnia aktualizacja: 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)"]]
