پیش نیازها و پیش کار
با مجموعهها، منظم بمانید
ذخیره و طبقهبندی محتوا براساس اولویتهای شما.
آیا دوره تصادف یادگیری ماشین برای شما مناسب است؟
من سابقه یادگیری ماشینی کم یا اصلا ندارم.
توصیه می کنیم تمام مطالب را به ترتیب مرور کنید.
من پیشینه ای در یادگیری ماشین دارم، اما می خواهم درک فعلی و کامل تر داشته باشم.
دوره آموزشی تصادفی یادگیری ماشین یک تجدید کننده عالی خواهد بود. همه ماژول ها را به ترتیب مرور کنید، یا فقط آن ماژول هایی را انتخاب کنید که مورد علاقه شما هستند.
من تجربه عملی در استفاده از مفاهیم یادگیری ماشین برای کار با داده ها و ساخت مدل ها دارم.
در حالی که ممکن است دوره آموزشی تصادفی یادگیری ماشین برای شما به عنوان تجدید کننده مفاهیم اساسی یادگیری ماشین مفید باشد، ممکن است بخواهید برخی از دوره های پیشرفته یادگیری ماشین ما را که ابزارها و تکنیک هایی برای حل مشکلات یادگیری ماشین در حوزه های مختلف را پوشش می دهد، بررسی کنید.
من به دنبال آموزش نحوه استفاده از API های ML مانند Keras هستم.
در حالی که دوره Crash Learning Machine شامل چندین تمرین برنامه نویسی است که از کتابخانه های ML مانند numpy، pandas و Keras استفاده می کند، در درجه اول بر آموزش مفاهیم ML متمرکز است و API های ML را به طور عمیق آموزش نمی دهد. برای منابع اضافی Keras، به
راهنمای برنامه‌نویس Keras مراجعه کنید.
لطفاً قبل از شروع دوره Crash Learning Machine، بخش‌های پیش‌کار و پیش نیازهای زیر را بخوانید تا مطمئن شوید که برای تکمیل همه ماژول‌ها آماده هستید.
پیش کار
قبل از شروع دوره Crash Learning Machine، موارد زیر را انجام دهید:
- اگر در یادگیری ماشینی تازه کار هستید، مقدمه ای بر یادگیری ماشینی را انتخاب کنید. این دوره کوتاه خودآموز مفاهیم اساسی یادگیری ماشین را معرفی می کند.
- اگر تازه وارد NumPy هستید، تمرین NumPy Ultraquick Tutorial Colab را انجام دهید، که تمام اطلاعات NumPy را برای این دوره ارائه می دهد.
- اگر با پانداها تازه کار هستید، تمرین کولب آموزش UltraQuick Pandas را انجام دهید، که تمام اطلاعات پانداهایی را که برای این دوره نیاز دارید ارائه می دهد.
پیش نیازها
دوره تصادف یادگیری ماشینی هیچ دانش قبلی در یادگیری ماشین را فرض نمی‌کند یا نیازی به آن ندارد. با این حال، برای درک مفاهیم ارائه شده و تکمیل تمرین ها، توصیه می کنیم که دانش آموزان پیش نیازهای زیر را داشته باشند:
شما باید با متغیرها، معادلات خطی، نمودارهای توابع، هیستوگرام ها و میانگین های آماری راحت باشید.
باید برنامه نویس خوبی باشی در حالت ایده آل، شما باید تجربه برنامه نویسی در پایتون داشته باشید زیرا تمرین های برنامه نویسی در پایتون هستند. با این حال، برنامه نویسان با تجربه بدون تجربه پایتون معمولاً می توانند تمرین های برنامه نویسی را به هر حال تکمیل کنند.
بخش‌های زیر پیوندهایی به مطالب پس‌زمینه اضافی ارائه می‌دهند که مفید هستند.
جبر
جبر خطی
مثلثات
آمار
حساب دیفرانسیل و انتگرال ( اختیاری، برای موضوعات پیشرفته )
برنامه نویسی پایتون
اصول اولیه پایتون زیر در آموزش پایتون پوشش داده شده است:
تعدادی از تمرین‌های برنامه‌نویسی از مفهوم پیشرفته‌تر پایتون زیر استفاده می‌کنند:
ترمینال Bash و کنسول Cloud
برای اجرای تمرین های برنامه نویسی بر روی ماشین محلی یا کنسول ابری، باید راحت در خط فرمان کار کنید:
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-01-28 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-01-28 بهوقت ساعت هماهنگ جهانی."],[[["\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)"]]
