谷歌上线机器学习速成课程:中文配音+中文字幕+完全免费!

【导读】3月1日,Google上线了AI学习网站——Learn with Google AI,并重磅推出了机器学习速成课程MLCC,该课程基于TensorFlow(TF),旨在为所有经验水平的人提供免费课程、教程和动手练习。值得一提的是,该课程有专门的中文版网址,其中机器翻译和中文字幕不要太溜! 如果您是机器学习爱好者或想要从事机器学习工作,这是一个不可多得的自学福利!

Google推出机器学习速成课程——MLCC

3月1日Google上线了AI学习网站——Learn with Google AI,声称“无论你是在学习编程还是你是一个经验丰富的机器学习实践者,你都会在这个网站找到相应的信息和练习,帮助你提高技能和推进你的项目。”,其中的课程来自谷歌的机器学习专家的教育资源。

值得注意的是,该网站提供了一整套机器学习课程——MLCC(Machine Learning Crash Course with TensorFlow APIs)。该课程共15个小时,分为25节课、40多项联系,其中包括Google研究人员的讲座、实际案例研究,并以互动方式直观呈现算法的实际运用。

可以看出该课程紧凑、简练易懂、内容比较实用。

课程地址:

https://developers.google.com/machine-learning/crash-course/?utm_source=google-ai&utm_medium=card-image&utm_campaign=training-hub&utm_content=ml-crash-course

▌MLCC中文版课程



令人震惊的是,点击MLCC课程,进去竟然基本上是中文讲课。

据Google称,“此视频讲座的配音是使用机器学习技术生成的。”,这点我们也可以听出课程的中文配音有明显的机器口音,但是其吐字是非常清晰的,配合中文字幕,对于我们来说听讲毫无压力,不得不说是对我们学习机器学习是一个巨大的福音(有个别机器翻译可能有错,在学习的时候还需要稍加注意)。

文末贴出了课程目录!

下面我们从课程《机器学习简介》来体验一下其机器翻译和语音合成技术的成果:(视频贴上来,链接如下)

https://v.qq.com/x/page/g0562fdcy50.html

MLCC中文版链接:

https://developers.google.com/machine-learning/crash-course/

机器学习速成课程适合您吗?

我对机器学习知之甚少或一无所知。

我对机器学习有一些了解,但想了解更新、更全面的机器学习知识。

我很了解机器学习,但对 TensorFlow 知之甚少或一无所知。

在开始机器学习速成课程之前,请先阅读下面的前提条件和准备工作部分,以确保您已做好完成所有单元所需的准备工作。

前提条件

机器学习速成课程并不会假定或要求您预先掌握机器学习方面的任何知识。但是,为了能够理解课程中介绍的概念并完成练习,您最好满足以下前提条件:

  • 掌握入门级代数知识。 您应该了解变量和系数、线性方程式、函数图和直方图(熟悉对数和导数等更高级的数学概念会有帮助,但不是必需条件)。
  • 熟练掌握编程基础知识,并且具有一些使用 Python 进行编码的经验。 机器学习速成课程中的编程练习是通过 TensorFlow 并使用 Python 进行编码的。您无需拥有使用 TensorFlow 的任何经验,但应该能够熟练阅读和编写包含基础编程结构(例如,函数定义/调用、列表和字典、循环和条件表达式)的 Python 代码。

Pandas 使用入门

机器学习速成课程中的编程练习使用 Pandas 库来操控数据集。如果您不熟悉 Pandas,最好先学习 Pandas 简介教程,该教程介绍了练习中使用的主要 Pandas 功能。

低阶 TensorFlow 基础知识

机器学习速成课程中的编程练习使用 TensorFlow 的高阶 tf.estimator API 来配置模型。如果您有兴趣从头开始构建 TensorFlow 模型,请学习以下教程:

  • TensorFlow Hello World 在低阶 TensorFlow 中编码的“Hello World”。
  • TensorFlow 编程概念 演示了 TensorFlow 应用中的基本组件:张量、指令、图和会话。
  • 创建和操控张量 张量快速入门:TensorFlow 编程中的核心概念。此外,还提供了线性代数中的矩阵加法和乘法方面的复习进修内容。

主要概念和工具

机器学习速成课程中介绍并应用了以下概念和工具。有关详情,请参阅链接的资源。

数学

代数

  • 变量、系数和函数
  • 线性方程式,例如 y=b+w1x1+w2x2
  • 对数和对数方程式,例如 y=ln(1+ez)
  • S 型函数

线性代数

  • 张量和张量等级
  • 矩阵乘法

三角学

  • Tanh(作为激活函数进行讲解,无需提前掌握相关知识)

统计信息

  • 平均值、中间值、离群值和标准偏差
  • 能够读懂直方图

微积分(可选,适合高级主题)

  • 导数概念(您不必真正计算导数)
  • 梯度或斜率
  • 偏导数(与梯度紧密相关)
  • 链式法则(可让您全面了解用于训练神经网络的反向传播算法)

Python 编程

基础 Python

Python 教程中介绍了以下 Python 基础知识:

  • 定义和调用函数:使用位置和关键字参数
  • 字典、列表、集合(创建、访问和迭代)
  • for 循环:包含多个迭代器变量的 for 循环(例如 for a, b in [(1,2), (3,4)]
  • if/else 条件块和条件表达式
  • 字符串格式化(例如 '%.2f' % 3.14
  • 变量、赋值、基本数据类型(intfloatboolstr
  • pass 语句

中级 Python

Python 教程还介绍了以下更高级的 Python 功能:

  • 列表推导式
  • Lambda 函数

第三方 Python 库

机器学习速成课程代码示例使用了第三方库提供的以下功能。无需提前熟悉这些库;您可以在需要时查询相关内容。

Matplotlib(适合数据可视化)

  • pyplot 模块
  • cm 模块
  • gridspec 模块

Seaborn(适合热图)

  • heatmap 函数

Pandas(适合数据处理)

  • DataFrame

NumPy(适合低阶数学运算)

  • linspace 函数
  • random 函数
  • array 函数
  • arange 函数

scikit-learn(适合评估指标)

  • metrics 模块

Bash 终端/云端控制台

要在本地计算机上或云端控制台中运行编程练习,您应该能熟练使用命令行:

  • Bash 参考手册
  • Bash 快速参考表
  • 了解 Shell

▌课程目录



  • 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(40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

参考链接:

Learn with Google AI

https://ai.google/education/#?modal_active=yt-cKxRvEZd3Mw

https://developers.google.com/machine-learning/crash-course/prereqs-and-prework

原文发布于微信公众号 - 专知(Quan_Zhuanzhi)

原文发表时间:2018-03-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人工智能快报

美国MIT研究人员揭示神经网络运行机制

美国麻省理工学院(MIT)官网报道该校在通用神经网络方面的研究进展可用于揭示神经网络的运行机制。理解神经网络的运行机制可以帮助研究人员增强其性能,并将从中获得的...

3555
来自专栏AI科技大本营的专栏

《机器学习系统设计》助你从新手迅速成长为大咖

本文引自图灵教育《机器学习系统设计》的第一章——Python机器学习入门。 如果你只想学习基础理论,那么这本书或许并不适合你。它并没有深入机器学习背后的数学细...

4214
来自专栏大数据挖掘DT机器学习

怎样分析样本调研数据(译)

从一个群体样本中获取群体的整体特征是许多研究设计和统计方法发展的基础。根据数据收集的算法、调研问题的类型和调研的目标,分析样本调研数据的方法各不相同。这篇文章会...

3604
来自专栏PPV课数据科学社区

连载 | 概率论与数理统计(2) – 随机变量概述

作者:Belter。专注于生物方向的数据分析,一位编程爱好者。关注Python, R和大数据。

811
来自专栏专知

用深度学习规划会议时间点——Skejul

【导读】你是不是常常烦恼找不到合适的会议时间?我也经常遇到这种问题。当前人们越来越忙,想要协调合适的会议时间是很困难的。本文中,数据科学家Favio Vázqu...

3515
来自专栏AI科技大本营的专栏

探索 | 神经网络到底是如何思考的?MIT精英们做了这么一个实验室来搞清楚

作者 | Larry Hardesty等 编译 | ziqi Zhang 没错!人工智能是很火,神经网络也很火,但你真的懂它吗?神经网络到底是怎么工作的?没有...

3369
来自专栏量化投资与机器学习

【年度系列】股市风起云涌,我用Python分析周期之道

股票市场周期是股票市场长期的价格模式,通常与商业周期有关。 它是技术分析的关键,其中投资方法基于周期或重复的价格模式。 如果我们对股市周期有了更好的理解,我们总...

1722
来自专栏磐创AI技术团队的专栏

吴恩达机器学习课程:完全用Python完成,可以的!(附代码)

可以说,吴恩达(Andrew Ng)的机器学习课程是很多人、尤其是中国学生进入机器学习世界的引路人,被认为是入门机器学习的最好课程。截至目前,有超过80000人...

3K3
来自专栏机器之心

前沿 | 首次大规模神经机器翻译架构分析结果出炉,LSTM 优于GRU

选自arxiv 作者:Denny Britz等 机器之心编译 参与:微胖、蒋思源、吴攀 这样的实验只有谷歌级别的公司才能处理的了。这篇文章对大型 NMT 模型训...

44910
来自专栏CreateAMind

深入理解 RNN-神经图灵机(代码)

在写《深度学习与神经科学相遇》的过程中开始谈到了RNNs(Recurrent Neural Networks),我想很有必要暂停下来先对RNNs进行一些更深入的...

1673

扫码关注云+社区

领取腾讯云代金券