機器學習密集課程

這是 Google 提供的快節奏實用機器學習簡介，包含一系列動畫影片、互動式視覺化效果和實作練習。
開始密集課程 瀏覽課程單元 查看需求 說明中心
自 2018 年起，全球數百萬人透過機器學習密集課程瞭解機器學習的運作方式，以及如何運用機器學習。很高興在此宣布，我們推出了全新的 MLCC 版本，涵蓋 AI 領域的最新進展，並更加著重於互動式學習。觀看這部影片，進一步瞭解全新改良版 MLCC。

課程單元

每個機器學習密集課程單元都是獨立的內容，因此如果您具備機器學習相關經驗，可以直接略過不感興趣的單元，直接學習想學習的主題。如果您是機器學習新手，建議按照下列順序完成單元。

機器學習模型

這些模組涵蓋建構迴歸和分類模型的基礎知識。

線性迴歸簡介，涵蓋線性模型、損失、梯度下降和超參數調整。
介紹邏輯迴歸，機器學習模型可用於預測特定結果的機率。
二元分類模型簡介，涵蓋閾值、混淆矩陣，以及準確率、精確度、召回率和 AUC 等指標。

資料

這些單元將介紹機器學習資料的基本技術和最佳做法。

瞭解如何分析及轉換數值資料，以便更有效地訓練機器學習模型。
瞭解處理類別資料的基本概念：如何區分類別資料和數值資料；如何使用獨熱編碼、特徵雜湊和平均編碼，以數字表示類別資料；以及如何執行特徵交叉。
介紹機器學習資料集的特性，以及如何準備資料，確保在訓練及評估模型時獲得高品質結果。

進階機器學習模型

這些模組涵蓋進階機器學習模型架構。

介紹神經網路架構的基本原則，包括感知器、隱藏層和啟用函式。
瞭解如何透過嵌入功能，在大量特徵向量上執行機器學習。
新訪客
大型語言模型簡介，從符記到變形金剛。瞭解 LLM 如何學習預測文字輸出內容，以及如何建構及訓練 LLM。

實際機器學習

這些單元涵蓋在真實世界中建構及部署機器學習模型時的關鍵考量，包括實際應用最佳做法、自動化和負責任的工程設計。

瞭解機器學習正式版系統如何在多個元件中運作。
新訪客
瞭解使用自動化機器學習的相關原則和最佳做法。
瞭解稽核機器學習模型公平性的原則和最佳做法，包括找出並減少資料偏誤的策略。