隨著人工智能發(fā)展越來越快，機器學(xué)習(xí)成為了如今的熱門行業(yè)，機器學(xué)習(xí)似乎是一個很重要的，具有很多未知特性的技術(shù)。今日報道，谷歌上線基于TensorFlow的機器學(xué)習(xí)速成課程，包含一系列視頻講座課程、實際案例分析和實踐練習(xí)。被稱之為機器學(xué)習(xí)熱愛者的自學(xué)指南。

隨著機器學(xué)習(xí)越來越受到公眾的關(guān)注，很多初學(xué)者希望能快速了解機器學(xué)習(xí)及前沿技術(shù)。而今天谷歌上線了基于 TensorFlow 的機器學(xué)習(xí)速成課程，它包含 40 多項練習(xí)、25 節(jié)課程以及 15 個小時的緊湊學(xué)習(xí)內(nèi)容。谷歌官方描述為機器學(xué)習(xí)熱愛者的自學(xué)指南，且課程資料都是中文書寫，課程視頻都由機器學(xué)習(xí)技術(shù)轉(zhuǎn)述為中文音頻。這對于中文讀者來說將會有很大的幫助，當(dāng)然我們也能選擇英文語音以更精確地學(xué)習(xí)內(nèi)容。此外，據(jù)記者了解，這曾是谷歌內(nèi)部培訓(xùn)工程師的課程，有近萬名谷歌員工參與并將學(xué)到的東西用在產(chǎn)品的優(yōu)化和增強上。

課程地址：https://developers.google.cn/machine-learning/crash-course/

按照該課程所述，讀者可能需要初級代數(shù)知識，如變量與系數(shù)、線性方程組和函數(shù)曲線等以理解基本的機器學(xué)習(xí)模型。此外，讀者也需要一些 Python 編程經(jīng)驗，但一般只需要最基礎(chǔ)的函數(shù)定義、列表/字典、循環(huán)和條件表達(dá)式等。本課程的實現(xiàn)是基于 Python 和 TensorFlow，不過讀者在學(xué)習(xí)前并不需要任何 TensorFlow 知識。

除了前面所述的兩個基本要求外，讀者可能還需要準(zhǔn)備一些基礎(chǔ)知識，當(dāng)然等真正遇到再去查資料也完全沒問題。其實準(zhǔn)備工作主要分為數(shù)學(xué)基礎(chǔ)、編程基礎(chǔ)和函數(shù)庫三個部分，我們給各位讀者提供記者的資源文章合集，以便查閱相關(guān)問題。

在數(shù)學(xué)方面，代數(shù)相關(guān)的變量、系數(shù)、線性方程、對數(shù)和 Sigmoid 函數(shù)有助于讀者了解模型最基本的表達(dá)，包括怎么定義的推斷過程、如何構(gòu)建的損失函數(shù)以及激活函數(shù)等。線性代數(shù)相關(guān)的矩陣和張量等知識有助于讀者理解模型在計算過程中到底代表了什么意思，例如矩陣乘法這種仿射變換在神經(jīng)網(wǎng)絡(luò)中代表了神經(jīng)元的線性組合或全連接。概率論與統(tǒng)計學(xué)也是有要求的，不過本課程僅僅需要能知道均值、方差等概念就行。對于微積分，我們只需要了解導(dǎo)數(shù)、偏導(dǎo)數(shù)和鏈?zhǔn)椒▌t的基本概念就行，雖然最優(yōu)化方法需要非常多的數(shù)學(xué)知識才能明確地推導(dǎo)出流行的優(yōu)化器表達(dá)式，但在基礎(chǔ)階段只需要調(diào)用工具就行了。

在 Python 編程與常見第三方庫等方面，該課程也只有非常少的要求，掌握基本的操作就行。例如 Python 的列表、字典和元組三大數(shù)據(jù)結(jié)構(gòu)，還有循環(huán)和條件等基本表達(dá)式。而需要了解的第三方庫也是科學(xué)計算方面代表，如 NumPy、Pandas 和 Matplotlib 等。以下是 2017 年記者發(fā)過的教程，它基本上可以為讀者提供足夠的學(xué)習(xí)資料。

簡介：

前提條件和準(zhǔn)備工作

機器學(xué)習(xí)概念：

框架處理（15 分鐘）機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)

深入了解機器學(xué)習(xí)（20 分鐘）什么是損失函數(shù)，權(quán)重和 bias 是什么

降低損失（60 分鐘）兩種梯度下降，及對學(xué)習(xí)率的實驗

使用 TensorFlow 基本步驟（60 分鐘）不能不懂的 TensorFlow

泛化（15 分鐘）什么是過擬合，怎樣評價一個模型的好壞，把數(shù)據(jù)集分成測試和訓(xùn)練兩部分

訓(xùn)練及測試集（25 分鐘）驗證把數(shù)據(jù)集分成兩部分的好處

驗證（40 分鐘）擔(dān)心過擬合？在測試和訓(xùn)練集外多弄一個驗證集

表示法（65 分鐘）特征工程，75% 機器學(xué)習(xí)工程師的時間都在干的事

特征組合（70 分鐘）明白什么是特征組合，怎么用 TensorFlow 實現(xiàn)

正則化：簡單性（40 分鐘）L2 正則化，學(xué)習(xí)復(fù)雜化和普遍化的取舍

邏輯回歸（20 分鐘）理解邏輯回歸，探索損失函數(shù)和正則化

分類（90 分鐘）評估一個邏輯回歸模型的正確性和精度

正則化：稀松性（45 分鐘）L2 的其他種類

介紹神經(jīng)網(wǎng)絡(luò)（40 分鐘）隱藏層，激活函數(shù)

訓(xùn)練神經(jīng)網(wǎng)絡(luò)（40 分鐘）反向傳播

多種類神經(jīng)網(wǎng)絡(luò)（50 分鐘）理解多類分類器問題，Softmax，在 TensorFlow 中實現(xiàn) Softmax 結(jié)果。

嵌入（80 分鐘）什么是嵌入，這是干什么的，怎樣用好。

工程：

生產(chǎn) ML 系統(tǒng)（3 分鐘）ML 生產(chǎn)中的寬度

靜態(tài) vs. 動態(tài)訓(xùn)練（7 分鐘）靜態(tài)和動態(tài)訓(xùn)練的優(yōu)缺點

靜態(tài) vs. 動態(tài)推斷（7 分鐘）靜態(tài)和動態(tài)推斷的優(yōu)缺點

數(shù)據(jù)依賴（14 分鐘）理解 ML 中的數(shù)據(jù)依賴

生活中實際的 ML 例子：

預(yù)測癌癥（5 分鐘）

18 世紀(jì)文獻(xiàn)（5 分鐘）

真實世界方針（2 分鐘）

結(jié)論：

下一步要學(xué)習(xí)的內(nèi)容，推薦了 TensorFlow，Google 的課程深度學(xué)習(xí)，及 Kaggle 比賽等。

練習(xí)題：

大部分練習(xí)題的數(shù)據(jù)是用的 California housing data set 。

測試分成三種，編程練習(xí)，檢查你的理解和 Playground。

課程特點

這一機器學(xué)習(xí)速成課程最大的特點是它有完整的中文資料、中文語音和字幕以及中文測試題，它為機器學(xué)習(xí)初學(xué)者提供了最實用的的資料。

如下所示，該課程提供的課件非常適合于國內(nèi)初學(xué)者：

如下所示，該課程提供了很多中文練習(xí)，包括編程練習(xí)和文本理解的選擇題，這非常有助于各位讀者檢驗在視頻和資料中學(xué)習(xí)到的知識。

如下展示了機器學(xué)習(xí)術(shù)語，這一部分分成全面的介紹了機器學(xué)習(xí)中的術(shù)語的含義，非常好懂。

最后，該課程還提供了非常多的中文學(xué)習(xí)資料或技術(shù)博客，這些文本資料同樣也是擴展讀者知識并從原理上學(xué)習(xí)新技術(shù)的重要保證。