Google的機器學習速成課程

• 機器學習速成課程（MLCC，machine-learning crash-course）：https://developers.google.com/machine-learning/crash-course/
• 機器學習術語表：https://developers.google.com/machine-learning/glossary/
• 基本全程中文，程共25節，大約15小時，包含40多項練習，有對演算法實際運用的互動直觀展示，可以更容易地學習和實踐機器學習概念。

練習環境

在本地執行程式設計練習

• https://developers.google.com/machine-learning/crash-course/running-exercises-locally
• 安裝Jupyter，並執行Jupyter Notebook (.ipynb) 格式的程式設計練習。
• 下載練習：http://download.mlcc.google.com/mledu-exercises/mlcc-exercises_en.zip

Colaboratory

• https://colab.research.google.com/notebooks/welcome.ipynb
• 免費的Jupyter筆記本環境，直接在瀏覽器中執行程式設計練習，不需要進行任何設定就可以使用，並且完全在雲端執行。

前提條件和準備工作

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

前提條件

掌握入門級代數知識。 
    您應該瞭解變數和係數、線性方程式、函式圖和直方圖（熟悉對數和導數等更高階的數學概念會有幫助，但不是必需條件）。

熟練掌握程式設計基礎知識，並且具有一些使用 Python 進行編碼的經驗。
    機器學習速成課程中的程式設計練習是通過 TensorFlow 並使用 Python 進行編碼的。
    您無需擁有任何 TensorFlow經驗，但應該能夠熟練閱讀和編寫包含基礎程式設計結構（例如，函式定義/呼叫、列表和字典、迴圈和條件表示式）的 Python 程式碼。

準備工作

Pandas 使用入門
    機器學習速成課程中的程式設計練習使用 Pandas 庫來操控資料集。
    如果您不熟悉 Pandas，建議您先學習Pandas 簡介教程，該教程介紹了練習中使用的主要 Pandas 功能。

低階 TensorFlow 基礎知識
   機器學習速成課程中的程式設計練習使用 TensorFlow 的高階 tf.estimator API 來配置模型。
   如果您有興趣從頭開始構建 TensorFlow 模型，請學習以下教程：
     - TensorFlow Hello World：在低階 TensorFlow 中編碼的“Hello World”。
     - TensorFlow 程式設計概念：演示了 TensorFlow 應用中的基本元件：張量、指令、圖和會話。
     - 建立和操控張量：張量快速入門 - TensorFlow 程式設計中的核心概念。此外，還回顧了線性代數中的矩陣加法和乘法概念。
 

主要概念和工具

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

數學

代數
- 變數、係數和函式
- 線性方程式
- 對數和對數方程式
- S型函式

線性代數
- 張量和張量等級
- 矩陣乘法

三角學
- Tanh（作為啟用函式進行講解，無需提前掌握相關知識）

統計資訊
- 均值、中間值、離群值和標準偏差
- 能夠讀懂直方圖

微積分（可選，適合高階主題）
- 導數概念（您不必真正計算導數）
- 梯度或斜率
- 偏導數（與梯度緊密相關）
- 鏈式法則（帶您全面瞭解用於訓練神經網路的反向傳播演算法）

Python

The Python Tutorial：https://docs.python.org/3/tutorial/

基礎 Python
- 定義和呼叫函式：使用位置和關鍵字引數
- 字典、列表、集合（建立、訪問和迭代）
- for 迴圈：包含多個迭代器變數的 for 迴圈（例如 for a, b in [(1,2), (3,4)]）
- if/else 條件塊和條件表示式
- 字串格式（例如 '%.2f' % 3.14）
- 變數、賦值、基本資料型別（int、float、bool、str）
- pass 語句

中級 Python
- 列表推導式
- Lambda 函式

第三方Python庫（無需提前熟悉，在需要時查詢相關內容）

Matplotlib（適合資料視覺化）
- pyplot 模組
- cm 模組
- gridspec 模組

Seaborn（適合熱圖）
- heatmap 函式

Pandas（適合資料處理）
- DataFrame 類

NumPy（適合低階數學運算）
- linspace 函式
- random 函式
- array 函式
- arange 函式

scikit-learn（適合評估指標）
- metrics 模組

Bash

• Bash參考手冊：https://tiswww.case.edu/php/chet/bash/bashref.html
• Bash快速參考表：https://github.com/LeCoupa/awesome-cheatsheets/blob/master/languages/bash.sh
• 瞭解Shell（簡明教程，提供線上執行環境）：http://www.learnshell.org/