Google的机器学习速成课程
- 机器学习速成课程（MLCC，machine-learning crash-course）：https://developers.google.com/machine-learning/crash-course/
- 机器学习术语表：https://developers.google.com/machine-learning/glossary/
- 基本全程中文，程共25节，大约15小时，包含40多项练习，有对算法实际运用的互动直观展示，可以更容易地学习和实践机器学习概念。
练习环境
在本地运行编程练习
- https://developers.google.com/machine-learning/crash-course/running-exercises-locally
- 安装Jupyter，并运行Jupyter Notebook (.ipynb) 格式的编程练习。
- 下载练习：http://download.mlcc.google.com/mledu-exercises/mlcc-exercises_en.zip
Colaboratory
- https://colab.research.google.com/notebooks/welcome.ipynb
- 免费的Jupyter笔记本环境，直接在浏览器中运行编程练习，不需要进行任何设置就可以使用，并且完全在云端运行。
前提条件和准备工作
https://developers.google.com/machine-learning/crash-course/prereqs-and-prework
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。
您无需拥有任何 TensorFlow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。准备工作
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，建议您先学习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，还回顾了线性代数中的矩阵加法和乘法概念。主要概念和工具
https://developers.google.com/machine-learning/crash-course/prereqs-and-prework#key-concepts
数学
代数
- 变量、系数和函数
- 线性方程式
- 对数和对数方程式
- 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
- 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（带您全面了解用于训练神经网络的反向传播算法）Python
The Python Tutorial：https://docs.python.org/3/tutorial/
基础 Python
- 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（例如 '%.2f' % 3.14）
- 变量、赋值、基本数据类型（int、float、bool、str）
- pass 语句
中级 Python
- 列表推导式
- Lambda 函数第三方Python库（无需提前熟悉，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 类
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
- Bash参考手册：https://tiswww.case.edu/php/chet/bash/bashref.html
- Bash快速参考表：https://github.com/LeCoupa/awesome-cheatsheets/blob/master/languages/bash.sh
- 了解Shell（简明教程，提供在线运行环境）：http://www.learnshell.org/