第 1～2 天
线性回归、逻辑回归与分类。
机器学习速成
按照截图中的 Google 机器学习速成课程目录重新整理。本站取消互动练习、编程练习和知识测试，只保留连续学习正文。
9 小时 56 分钟纯学习总时长
12 个课程模块
66 节学习内容
3 小时 40 分钟已去掉练习与测试
计算结果原目录 13 小时 36 分钟 − 互动练习、编程练习和测试 3 小时 40 分钟 = 9 小时 56 分钟
机器学习模型
从一条直线开始，理解模型如何预测连续数值和类别概率。
数据
模型上限往往由数据质量决定。学习数值、类别、拆分与泛化。
2.1
处理数值数据
从特征向量、探索、归一化到分箱和数据质量，系统准备连续数值特征。
简介模型如何使用特征向量提取数据第一步标准化+5
1 小时 5 分钟纯学习→
2.2 处理分类数据
从“数字也可以是类别”开始，完整掌握词汇表、独热编码、稀疏表示、OOV、高基数编码、标注质量与特征交叉。
数字也可以是分类数据词汇表与独热编码分类数据中的离群值对高维分类特征编码+2
55 分钟纯学习→
2.3 数据集、泛化和过拟合
沿真实项目顺序：标签质量、数据转换、训练验证测试拆分、类别不平衡、复杂度与泛化、L2 正则化、早停和损失曲线诊断。
标签：直接、代理与人工生成数据特征与转换数据拆分原始数据集测试集的其他问题与类别不平衡+4
1 小时 26 分钟纯学习→
高级机器学习模型
理解神经网络、嵌入和大语言模型背后的核心结构。
现实世界中的机器学习
把模型放进生产系统，并考虑自动化、监控和公平性。
Study plan
建议完成方式
总时长不包含任何测试和练习。可以连续阅读，也可以按下面的节奏分段完成。
第 3～5 天
数值数据、分类数据与泛化。
第 6～7 天
神经网络、嵌入与大语言模型。
第 8～9 天
生产系统与 AutoML。
第 10 天
公平性与全课程复习。