原文： Machine Learning for Everybody
机器学习技术现在非常普遍，你可能每天都会使用它几十次，却没有意识到。由于它有如此多的应用，对于任何有大量机器学习经验的人来说，工作前景都很好。
我们刚刚在 freeCodeCamp.org 的 YouTube 频道上发布了一个机器学习课程，这是你开始学习之旅的最佳地方。
Kylie Ying 开发了这个课程。Kylie 曾在许多有趣的地方工作，如麻省理工学院、欧洲核子研究中心和 freeCodeCamp。她是一位物理学家、工程师，也是一位优秀的老师。
这个课程是对许多关键的机器学习概念的一个很好的介绍。在这个视频中，你将了解监督和无监督学习模型背后的逻辑和数学。你还将学习如何能够在谷歌合作项目上对不同的机器学习模型进行编程。
谷歌为本课程的研发提供了资金支持。
以下是本课程涵盖的主题：
- Data/Colab 介绍
- Intro to Machine Learning（机器学习简介）
- Features（特征）
- Classification/Regression（分类/回归）
- Training Model （训练模型）
- Preparing Data （准备数据）
- K-Nearest Neighbors （K-最近邻）
- KNN Implementation （KNN 实施）
- Naive Bayes （朴素贝叶斯）
- Naive Bayes Implementation （朴素贝叶斯实现）
- Logistic Regression （逻辑回归）
- Log Regression Implementation （对数回归实现）
- Support Vector Machine （支持向量机）
- SVM Implementation （支持向量机实现）
- Neural Networks （神经网络）
- Tensorflow （张量流）
- Classification NN using Tensorflow （使用 Tensorflow 的分类 NN）
- Linear Regression （线性回归）
- Lin Regression Implementation （林回归实现）
- Lin Regression using a Neuron （使用神经元的 Lin 回归）
- Regression NN using Tensorflow （使用 Tensorflow 的回归 NN）
- K-Means Clustering （K-Means 聚类）
- Principal Component Analysis （主成分分析）
- K-Means and PCA Implementations （K-Means 和 PCA 实现）
观看下面的完整课程或在 freeCodeCamp.org YouTube 频道上观看（观看 2 小时）。