Google Machine Learning Crash Course

请帮我把「Google Machine Learning Crash Course」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://developers.google.com/machine-learning/crash-course
我的系统：Windows。如果实际不符，先调整方案。
本次路线：在 Colab 运行首个模型。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：各模块的互动练习与Check Your Understanding，编程题通过官方Colab运行。先完成线性回归小实验，记录参数、损失曲线与解释；课程不是仅看视频。
课节（官方顺序）：
1. Linear regression：https://developers.google.com/machine-learning/crash-course/linear-regression
2. Logistic regression：https://developers.google.com/machine-learning/crash-course/logistic-regression
3. Classification：https://developers.google.com/machine-learning/crash-course/classification
4. Working with numerical data：https://developers.google.com/machine-learning/crash-course/numerical-data
5. Working with categorical data：https://developers.google.com/machine-learning/crash-course/categorical-data
6. Datasets, generalization, and overfitting：https://developers.google.com/machine-learning/crash-course/overfitting
7. Neural networks：https://developers.google.com/machine-learning/crash-course/neural-networks
8. Embeddings：https://developers.google.com/machine-learning/crash-course/embeddings
9. Intro to Large Language Models：https://developers.google.com/machine-learning/crash-course/llm
10. Production ML systems：https://developers.google.com/machine-learning/crash-course/production-ml-systems
11. Automated machine learning：https://developers.google.com/machine-learning/crash-course/automl
12. Fairness：https://developers.google.com/machine-learning/crash-course/fairness

1. 环境
- 先完成官方学前准备中的代数、统计、Python/NumPy/pandas要求自查；缺哪项就补哪项。
- 浏览器允许互动页面执行脚本；编程练习打开官方Colab链接，先检查自己的Google账号和运行时。
- 运行notebook自带的依赖单元和小样例，不额外租GPU，不把付费升级作为入门要求。
- 公开参数互动练习可直接在浏览器使用；Colab编程练习需另行核对Google账号与运行权限，本次未运行Colab单元。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方12模块与练习：只记录链接 https://developers.google.com/machine-learning/crash-course（Google Developers正文按CC BY 4.0，代码示例按Apache 2.0；第三方材料以各自说明为准。）
3. 目录（最外层放在我确认的位置）
google-mlcc/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.md     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-lesson-01/
    ├── 02-lesson-02/
    ├── 03-lesson-03/
    ├── 04-lesson-04/
    ├── 05-lesson-05/
    ├── 06-lesson-06/
    ├── 07-lesson-07/
    ├── 08-lesson-08/
    ├── 09-lesson-09/
    ├── 10-lesson-10/
    ├── 11-lesson-11/
    └── 12-lesson-12/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 人工检查：打开 https://developers.google.com/machine-learning/crash-course/linear-regression/parameters-exercise ，调整Weight滑块  → 图形与Weight数值随滑块改变；这是公开浏览器练习，不代表Colab运行权限已验证。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。