机器学习速成课程
Google 快速实用的机器学习入门课程,包含一系列动画视频、交互式可视化内容和实践练习。
机器学习速成课程有哪些新变化?
自 2018 年以来,全球数百万人通过机器学习速成课程了解了机器学习的工作原理,以及机器学习如何为他们提供帮助。我们很高兴地宣布,全新版本的 MLCC 现已发布,该版本涵盖 AI 领域的最新进展,并更加侧重于互动式学习。观看此视频,详细了解经过改进的 MLCC。
课程模块
机器学习速成课程的每个模块都是独立的,因此,如果您有机器学习方面的经验,可以直接跳转到要学习的主题。如果您刚开始接触机器学习,我们建议您按照以下顺序完成模块。
机器学习模型
这些模块介绍了构建回归和分类模型的基础知识。
[线性回归](https://developers.google.com/machine-learning/crash-course/linear-regression?hl=zh-cn)
线性回归简介,涵盖线性模型、损失函数、梯度下降和超参数调优。
[逻辑回归](https://developers.google.com/machine-learning/crash-course/logistic-regression?hl=zh-cn)
逻辑回归简介:机器学习模型旨在预测给定结果的概率。
[分类](https://developers.google.com/machine-learning/crash-course/classification?hl=zh-cn)
二元分类模型简介,涵盖阈值、混淆矩阵以及准确率、精确度、召回率和 AUC 等指标。
数据
这些模块介绍了处理机器学习数据的基本技术和最佳实践。
[处理数值数据](https://developers.google.com/machine-learning/crash-course/numerical-data?hl=zh-cn)
了解如何分析和转换数值数据,以帮助更高效地训练机器学习模型。
[处理分类数据](https://developers.google.com/machine-learning/crash-course/categorical-data?hl=zh-cn)
了解处理分类数据的基础知识:如何区分分类数据和数值数据;如何使用独热编码、特征哈希和均值编码对分类数据进行数值表示;以及如何执行特征交叉。
[数据集、泛化和过拟合](https://developers.google.com/machine-learning/crash-course/overfitting?hl=zh-cn)
介绍了机器学习数据集的特性,以及如何准备数据以确保在训练和评估模型时获得高质量的结果。
高级机器学习模型
这些模块介绍了高级机器学习模型架构。
[神经网络](https://developers.google.com/machine-learning/crash-course/neural-networks?hl=zh-cn)
神经网络架构基本原理的简介,包括感知器、隐藏层和激活函数。
[Embeddings](https://developers.google.com/machine-learning/crash-course/embeddings?hl=zh-cn)
了解如何利用嵌入对大型特征向量进行机器学习。
现实世界中的机器学习
这些模块涵盖了在现实世界中构建和部署机器学习模型时的重要注意事项,包括生产环境最佳实践、自动化和负责任的工程实践。
[Production ML Systems](https://developers.google.com/machine-learning/crash-course/production-ml-systems?hl=zh-cn)
了解机器学习生产系统如何跨众多组件运行。
[机器学习公平性](https://developers.google.com/machine-learning/crash-course/fairness?hl=zh-cn)
了解审核机器学习模型公平性的原则和最佳实践,包括识别和减少数据偏见的策略。