Voraussetzungen und Vorbereitungen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Ist der Crashkurs „Maschinelles Lernen“ das Richtige für Sie?
Ich habe wenig oder keine Erfahrung mit maschinellem Lernen.
Wir empfehlen, sich das gesamte Material der Reihe nach anzusehen.
Ich habe bereits etwas Erfahrung mit maschinellem Lernen, möchte aber ein aktuelleres und umfassenderes Verständnis dafür gewinnen.
Der Crashkurs „Maschinelles Lernen“ ist eine gute Auffrischung. Sie können alle Module der Reihe nach durchgehen oder nur die auswählen, die Sie interessieren.
Ich habe praktische Erfahrung mit der Anwendung von Konzepten des maschinellen Lernens bei der Arbeit mit Daten und beim Erstellen von Modellen.
Der Crashkurs zum Thema maschinelles Lernen kann Ihnen als Auffrischung der grundlegenden Konzepte des maschinellen Lernens dienen. Sie können sich aber auch unsere fortgeschrittenen Kurse zum Thema maschinelles Lernen ansehen, in denen Tools und Techniken zur Lösung von Problemen im Bereich maschinelles Lernen in einer Vielzahl von Bereichen behandelt werden.
Ich suche nach Anleitungen zur Verwendung von ML-APIs wie Keras.
Der Crashkurs zu maschinellem Lernen enthält zwar mehrere Programmierübungen mit ML-Bibliotheken wie numpy, pandas und Keras, konzentriert sich aber hauptsächlich auf die Vermittlung von ML-Konzepten und geht nicht ausführlich auf ML-APIs ein. Weitere Keras-Ressourcen finden Sie in den
Keras-Entwicklerleitfäden.
Lesen Sie sich die folgenden Abschnitte Vorbereitung und Voraussetzungen durch, bevor Sie mit dem Crashkurs zu maschinellem Lernen beginnen, damit Sie alle Module erfolgreich absolvieren können.
Vorarbeit
Führen Sie vor Beginn des Crashkurses „Maschinelles Lernen“ die folgenden Schritte aus:
-
Wenn Sie noch nicht mit dem maschinellen Lernen vertraut sind, sehen Sie sich den Einführungskurs an.
In diesem kurzen Kurs zum Selbststudium werden grundlegende Konzepte des maschinellen Lernens vorgestellt.
-
Wenn Sie mit NumPy noch nicht vertraut sind, führen Sie die Colab-Übung NumPy – Ultraschnelles Tutorial aus. Dort finden Sie alle für diesen Kurs erforderlichen Informationen zu NumPy.
-
Wenn Sie mit Pandas noch nicht vertraut sind, führen Sie die Colab-Übung Pandas UltraQuick-Anleitung aus. Dort finden Sie alle Informationen zu Pandas, die Sie für diesen Kurs benötigen.
Vorbereitung
Für den Crashkurs „Maschinelles Lernen“ sind keine Vorkenntnisse erforderlich. Um die vorgestellten Konzepte zu verstehen und die Übungen abzuschließen, empfehlen wir jedoch, die folgenden Voraussetzungen zu erfüllen:
Sie müssen mit Variablen, linearen Gleichungen, Funktionsgraphen, Histogrammen und statistischen Mitteln vertraut sein.
Sie sollten ein guter Programmierer sein. Idealerweise haben Sie bereits Erfahrung mit der Programmierung in Python, da die Programmierübungen in Python ausgeführt werden. Erfahrene Programmierer ohne Python-Erfahrung können die Programmierübungen jedoch in der Regel trotzdem absolvieren.
In den folgenden Abschnitten finden Sie Links zu hilfreichen Hintergrundinformationen.
Algebra
Lineare Algebra
Trigonometrie
Statistiken
Differentialrechnung (optional, für fortgeschrittene Themen)
Python-Programmierung
Die folgenden Python-Grundlagen werden im Python-Tutorial behandelt:
Funktionen definieren und aufrufen, indem Positions- und Schlüsselwort-Parameter verwendet werden
Wörterbücher, Listen und Sätze (Erstellen, Abrufen und Iterieren)
for-Schleifen, for-Schleifen mit mehreren Iteratorvariablen (z.B. for a, b in [(1,2), (3,4)])
if/else-Bedingungsblöcke und Bedingte Ausdrücke
Stringformatierung (z.B. '%.2f' % 3.14)
Variablen, Zuweisung, Grundlegende Datentypen (int, float, bool, str)
Bei einigen der Programmierübungen wird das folgende erweiterte Python-Konzept verwendet:
Bash-Terminal und Cloud Console
Wenn Sie die Programmierübungen auf Ihrem lokalen Computer oder in einer Cloud-Konsole ausführen möchten, sollten Sie mit der Befehlszeile vertraut sein:
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-08-25 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-08-25 (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)"]]
