Google 机器学习速成课

Google 这门课的最大优点是用直觉性的方式解释复杂概念，不需要高深数学。

什么是机器学习
传统编程：程序员写规则 → 计算机执行
机器学习：给数据 + 答案 → 计算机自己找规则

举例：垃圾邮件过滤
• 传统方法：程序员写「如果包含'免费领取'就是垃圾邮件」
• ML 方法：给 10 万封邮件（标注好是否垃圾），让模型自己学规律

三个核心概念

特征（Feature）：输入给模型的信息
比如预测房价：面积、位置、楼层、建造年份 → 这些都是特征

标签（Label）：你想预测的目标
比如预测房价：房价本身就是标签

模型（Model）：学习特征→标签映射关系的数学函数

训练过程
1）给模型大量「特征+标签」的数据
2）模型随机初始化参数
3）用数据不断调整参数，让预测误差越来越小
4）误差足够小时，训练完成

过拟合 vs 欠拟合
• 过拟合：模型在训练数据上很好，但新数据上很差（记住了答案，没学到规律）
• 欠拟合：模型太简单，连训练数据都学不好
• 解决方法：调整模型复杂度，增加/减少数据

线性回归是最简单的 ML 模型，理解它能帮你理解所有 ML 模型的训练原理。

线性回归是什么
用一条直线（或超平面）来拟合数据。
公式：y = w₁x₁ + w₂x₂ + ... + b
• x：特征
• w：权重（模型要学习的参数）
• b：偏置
• y：预测值

损失函数：衡量预测有多差
最常用的是均方误差（MSE）：
MSE = 平均((预测值 - 真实值)²)

训练的目标就是让 MSE 尽可能小。

梯度下降：怎么调整参数
想象你在山上，要找最低点（最小损失）：
1）看当前位置的坡度（梯度）
2）往坡度下降的方向走一步
3）重复，直到到达谷底

学习率（Learning Rate）控制每步走多大：
• 太大：可能跨过最低点，来回震荡
• 太小：收敛太慢，训练时间很长

用 TensorFlow 做线性回归
import tensorflow as tf
import numpy as np

# 生成数据
X = np.array([1, 2, 3, 4, 5], dtype=float)
y = np.array([2, 4, 6, 8, 10], dtype=float) # y = 2x

# 创建模型
model = tf.keras.Sequential([tf.keras.layers.Dense(1)])
model.compile(optimizer='sgd', loss='mse')

# 训练
model.fit(X, y, epochs=100, verbose=0)

# 预测
print(model.predict([6])) # 应该接近 12

神经网络是深度学习的基础，理解它能帮你理解 ChatGPT 等大模型的底层原理。

神经元：最基本的单元
一个神经元做三件事：
1）接收多个输入，乘以对应权重
2）把加权和加上偏置
3）通过激活函数，输出结果

为什么需要激活函数
没有激活函数，多层神经网络等价于一层线性变换，无法学习复杂模式。
常用激活函数：
• ReLU：max(0, x)，最常用，计算简单
• Sigmoid：把输出压缩到 0-1，用于二分类输出层
• Softmax：多分类输出层，输出概率分布

反向传播：神经网络怎么学习
1）前向传播：输入 → 逐层计算 → 输出预测值
2）计算损失：预测值 vs 真实值
3）反向传播：从输出层往回，计算每个参数对损失的贡献（梯度）
4）更新参数：沿梯度反方向调整参数

用 Keras 搭建神经网络
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(10,)),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid') # 二分类
])

model.compile(
optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy']
)

model.summary() # 查看模型结构

Google ML 速成课的最大优势是有大量可以直接运行的 Colab 练习。

Google Colab 是什么
免费的云端 Jupyter Notebook，有免费 GPU，不需要本地安装任何东西。

开始使用
1）打开 colab.research.google.com
2）用 Google 账号登录
3）新建笔记本，或者打开课程提供的练习链接

课程配套练习清单
Google ML 速成课提供了以下 Colab 练习（在课程页面可以直接打开）：
• 线性回归练习（预测加利福尼亚房价）
• 逻辑回归练习（二分类）
• 神经网络练习（手写数字识别）
• 特征工程练习

学习建议
不要只看视频，一定要动手做练习。遇到不懂的代码，复制给 ChatGPT 或 DeepSeek 问：「解释这段代码的作用」。

学完这门课能做什么
• 理解 ML 的基本原理，能看懂技术文章
• 用 TensorFlow/Keras 搭建简单模型
• 为学习更深入的课程（李宏毅 ML、fast.ai）打好基础
• 准备 Google 相关认证考试（TensorFlow Developer Certificate）