Requisitos y trabajo previos
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
¿El Curso intensivo de aprendizaje automático es apropiado para ti?
Tengo pocos o ningún conocimiento de aprendizaje automático.
Te recomendamos que revises todo el material en orden.
Tengo algunos conocimientos sobre el aprendizaje automático, pero me gustaría tener una comprensión más actual y completa.
El Curso intensivo de aprendizaje automático será un excelente repaso. Revisa todos los módulos en orden o selecciona solo los que te interesen.
Tengo experiencia práctica en la aplicación de conceptos de aprendizaje automático para trabajar con datos y crear modelos.
Si bien el Curso intensivo de aprendizaje automático puede ser útil como repaso de los conceptos básicos
de aprendizaje automático, también te recomendamos que explores algunos de nuestros cursos avanzados de aprendizaje automático, en los que se abordan herramientas y técnicas para resolver problemas de aprendizaje automático en una variedad
de dominios.
Busco instructivos para usar APIs de AA, como Keras.
Si bien el Curso intensivo de aprendizaje automático incluye varios ejercicios de programación que usan bibliotecas de AA, como numpy, pandas y Keras, se enfoca principalmente en enseñar conceptos de AA y no enseña las APIs de AA en profundidad. Para obtener más recursos de Keras, consulta las
guías para desarrolladores de Keras.
Para confirmar si estás preparado para completar todos los módulos, lee las secciones Trabajos previos y
Requisitos previos antes de comenzar el Curso intensivo de aprendizaje automático.
Trabajo previo
Antes de comenzar el Curso intensivo de aprendizaje automático, haz lo siguiente:
-
Si es la primera vez que usas el aprendizaje automático, consulta la Introducción al aprendizaje automático.
En este breve curso de autoaprendizaje, se presentan los conceptos fundamentales del aprendizaje automático.
-
Si es la primera vez que usas NumPy, realiza el ejercicio de Colab Instructivo súper rápido de NumPy, que proporciona toda la información que necesitas sobre NumPy para este curso.
-
Si eres nuevo en pandas, realiza el ejercicio de Colab Instructivo súper rápido de pandas, que proporciona toda la información que necesitas para este curso.
Requisitos previos
Machine Learning Crash Course no presupone ni requiere ningún conocimiento previo sobre el aprendizaje automático. Sin embargo, para comprender los conceptos presentados y completar los ejercicios, recomendamos que los estudiantes cumplan con los siguientes requisitos previos:
Debes tener conocimientos básicos de variables, ecuaciones lineales,
histogramas, gráficos de funciones y promedios estadísticos.
Deberías ser un buen programador. Idealmente, deberías tener cierta experiencia en la programación en Python, ya que los ejercicios de programación están en Python. Sin embargo, los programadores con experiencia que no tengan experiencia en Python suelen poder completar los ejercicios de programación de todos modos.
En las siguientes secciones, se proporcionan vínculos a material de referencia adicional que puede ser útil.
Álgebra
Álgebra lineal
Trigonometría
Estadísticas
Cálculo (opcional, para temas avanzados)
Programación en Python
En el instructivo de Python, se abordan los siguientes conceptos básicos de Python:
Definición e invocación de funciones,
mediante parámetros posicionales y de palabras clave
diccionarios,
listas,
conjuntos (creación, acceso e iteración)
Bucles for, bucles for con varias variables de iterador (p.ej., for a, b in [(1,2), (3,4)])
Bloques condicionales if/else y expresiones condicionales
formato de cadena
(p.ej., '%.2f' % 3.14)
variables, asignación, tipos de datos básicos
(int, float, bool, str)
Algunos de los ejercicios de programación usan el siguiente concepto más avanzado de
Python:
Terminal de Bash y consola de Cloud
Para ejecutar los ejercicios de programación en tu máquina local o en una consola en la nube, debes sentirte cómodo trabajando en la línea de comandos:
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-01-28 (UTC)
[null,null,["Última actualización: 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)"]]
