本 Modulation 首先从高层次定义机器学习，然后通过回顾几个实际案例，帮助您全面了解机器学习对业务的价值。然后介绍机器学习项目，并提供使用工具评估几个 ML 问题可行性的练习。

本 Modulation 首先从高层次定义机器学习，然后通过回顾几个实际案例，帮助您全面了解机器学习对业务的价值。然后介绍机器学习项目，并提供使用工具评估几个 ML 问题可行性的练习。

在评估了有监督人工智能问题的可行性之后，您就可以进入人工智能项目的下一阶段了。本 Modulation 探讨了构建完整数据集的各种注意事项和要求，以便为训练、评估和部署 ML 模型做好准备。它还包括两个演示--Vision API 和 AutoML Vision--作为相关工具，您可以自己或与数据科学家合作轻松访问。您还将有机会通过 First In, First Out 实践实验室试用 AutoML Vision。

世界上的数据本来就存在偏差，而这种偏差会通过 ML 解决方案被放大。在本 Modulation 中，您将了解到一些最常见的偏见，以及它们如何对个人或群体造成不成比例的影响或伤害。您还将获得在 ML 项目的每个阶段发现可能存在的 Bias 的指南，以及尽可能实现 ML 公平性的策略。

本 Modulation 探讨了在日常业务中发现 ML 使用案例的 5 个一般主题，并随后提供了具体的客户案例。您将了解 ML 的创造性应用，例如提高图像分辨率或生成音乐。

当您彻底了解机器学习的基本原理和项目各阶段的注意事项后，您就可以学习管理 ML 项目的最佳实践了。本 Modulation 介绍了成功端到端管理 ML 项目的 5 个关键注意事项：确定业务价值、制定数据策略、建立数据治理、打造成功的 ML 团队以及营造创新文化。您还将有机会通过完成最后的动手实验室进一步接触 Google Cloud 的工具之一：使用 BigQuery ML 评估 ML 模型。

本模块概述了课程中每个 Modulation 模块所涉及的要点。