
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!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08