京公网安备 11010802034615号
经营许可证编号:京B2-20210330
Google机器学习零基础在线课程发布,免费!附中文版
新的学习资源来了!刚刚,谷歌上线了人工智能学习网站 Learn with Google AI,并推出了机器学习在线课程,免费!而且还有中文版!
传送门:
“机器学习速成课程”中文版:
https://developers.google.com/machine-learning/crash-course/
Learn with Google AI:
https://ai.google/education
这个课程名为“机器学习速成课程” (简称MLCC) ,定位为机器学习热爱者的自学指南。
本来这是谷歌的内部课程,最初旨在帮助谷歌员工建立对人工智能和机器学习基本原理的快速认知,目前已有18,000名员工参加。
现在,谷歌终于允许这个课程“飞进寻常百姓家”。
课程总体时长大约15个小时,包含25节互动式课程、Google研究人员的讲座、40多项练习、实际案例研究等,还可以以互动方式直观呈现算法的实际运用。
为了展现课程全貌,我们将目录展示如下:
目录
简介
目标
前提条件和准备工作
机器学习概念
机器学习简介(3分钟)
框架处理(15 分钟)
深入了解机器学习(20 分钟)
降低损失(60 分钟)
使用 TF 的基本步骤(60 分钟)
泛化(15 分钟)
训练集和测试集(25 分钟)
验证(40 分钟)
表示法(65 分钟)
特征组合(70 分钟)
正则化:简单性(40 分钟)
逻辑回归(20 分钟)
分类(90 分钟)
正则化:稀疏性(45 分钟)
神经网络简介(55 分钟)
训练神经网络(40 分钟)
多类别神经网络(50 分钟)
嵌入(80 分钟)
机器学习工程
生产环境机器学习系统(3分钟)
静态训练与动态训练(7 分钟)
静态推理与动态推理(7 分钟)
数据依赖关系(14 分钟)
机器学习现实世界应用示例
癌症预测(5 分钟)
18 世纪文学(5 分钟)
现实世界应用准则(2 分钟)
总结
后续步骤
课程可以教会你什么?
官网显示,该课程将解答如下问题:
学习前的准备工作
看到这里,你是不是跃跃欲试、摩拳擦掌呢?别急,虽然谷歌表示,这门速成课程是为机器学习零基础的新手设计的,但是为了能够理解课程中介绍的概念并完成练习,需要参与者掌握入门级的代数知识;熟练掌握编程基础并具有一些使用Python进行编码的经验。
在准备工作中,课程还要求学习者对 Pandas 有所了解,因为机器学习速成课程中的编程练习使用 Pandas 库来操控数据集。
同时需要你了解低阶的 TensorFlow 基础知识,因为速成课程中的编程练习使用 TensorFlow 的高阶 tf.estimator API 来配置模型。
对于需要用到的主要概念和工具,谷歌也做了系统的罗列,很多概念都有超链接来进行解释,但可惜的是很多超链过去的网站都是英文,看来英文还是不能还给老师啊。
课程学习
准备工作完成后,就可以参照目录进行按部就班的学习了。
课程提供包括英语、西班牙语、法语、韩语和简体中文在内的多种版本,可以从网页左下角的下拉列表中选择语言。
值得一提的是,视频讲座的配音是使用机器学习技术生成的。营长在试听后发现,虽然机器的味道还很重,但并不影响理解,视频上方还有“发送反馈”的设置,点击后可以提交错误报告和建议,协助谷歌改进配音技术。
学习效果的检验
除了教学视频和文章,在每一小节结束后,课程都还附有检验学习效果的小题目。
比如在第一节框架处理的学习结束后的题目是这样的:
在你选择完成后,系统会告诉参与者为什么是对的,为什么是错的:
当然也有编程练习,比如:
谷歌为什么这么做?
半个月前,一年一度的 MIT 十大突破性技术评选揭晓,“AI 大众化”位列其中,评选机构认为其突破性在于基于云的 AI 技术使得 AI 更加便宜且易于使用。
自从公司战略从 Mobile first 转变为 AI first 以来,Google 就不遗余力地推行人工智能的大众化,其中就包括像 TensorFlow 以及更有趣的一些项目,比如 Doodles等,这些实验旨在以更实用的方式展示 AI。
尽管如此,很多公司依然缺乏足够多会使用 AI 的人才,“人工智能人才缺口数百万”这样的报道也屡屡被朋友圈刷屏,所以谷歌正试图让更多的人能够通过 Learn with Google AI 来一起了解这个领域,并将人工智能和机器学习的人才汇聚起来,供他们了解机器学习核心概念、开发技巧以及应用其解决一些实际问题。
机器学习速成课程 (简称MLCC) 是谷歌的第一个课程计划,相信日后谷歌会上线更多的课程和资源。
祝大家学习愉快!
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据技术飞速迭代、数字营销竞争日趋激烈的今天,“精准触达、高效转化、成本可控”已成为企业营销的核心诉求。传统广告投放 ...
2026-04-24在游戏行业竞争白热化的当下,用户流失已成为制约游戏生命周期、影响营收增长的核心痛点。据行业报告显示,2024年移动游戏平均次 ...
2026-04-24 很多业务负责人开会常说“我们要数据驱动”,最后却变成“看哪张报表数据多就用哪个”,往往因为缺乏一套结构性的方法去搭建 ...
2026-04-24在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16