選手列表
隨著科技的演進，雲端虛擬化服務日漸蓬勃，眾多企業無論大小新舊，將服務轉往雲端已成趨勢。如果有漸趨複雜的運算邏輯牽涉其中，則各種模型加入幫助我們解決問題的行列，其中又以機器學習影響尤為巨大。科技巨擘Google已然嗅到其中龐大的商機，毅然投身其中。 今天開始，就讓我們利用GDC學習，究竟現代化的線上服務及背後模型運作。欲知後事如何發展，且看接下來的30天分曉！
其實股票預測並不是一個好題目，因為目前對於股票預測的準確度都不是很高，雖然這代表還有很多的可改善空間，但反面來說也可以反映其難度。對於在ML領域新手的我來說，或許是一個太大的挑戰，但本主題單純是我興趣使然，所以還是想嘗試嘗試。 計劃分以下三步驟 1. GCP環境摸索、資料分析以及預處理、模型選擇 2. 訓練-Trial and error 3. 結果分析-準確度、效能、模型評估 本題目希望藉由GCP完成以下幾點 1. GCP-online data collection 2. GCP-online training 3. Load the model to local
簡介： - Tensorflow 2.0: 今年Google正式發表了Tensorflow 2.0，此版本主要重點放在：簡單API及易用性，並且改進範例檔案。 - MLCC: 為Google 出的免費的機器學習課程 目標： 搭配MLCC課程與Tensorflow 2.0 官網上的範例來學習Machine Learning。
Learn tensorflow!
非理工背景出身， 僅是辦公室打雜行政小妹， 為了朝IT工程師大大看齊， 利用下班時間自學苦讀， 自創打雜小妹都看得懂的AI筆記。
學習 Google Machine Learning 技術的絕佳機會來了！ Google推出 Google Developers Machine Learning 機器學習培訓計劃（ML Study Jam），工人智慧學習人工智慧機器學習。
Learning ML on Google
通過課程學習的筆記記錄，可以快速上手Python編程，爬蟲應用，數據分析，並能理解機器學習的思維方式和關鍵技術了解深度學習和機器學習在工業界的落地應用。
主要會使用TF 2.0，輔以其他Python ML套件，在30天將ML pipeline，從資料處理、到應用模型於各式情境並會盡量尋找一些有趣的資料集，讓大家在交流之餘增加一些趣味。環境上會使用Colab，若在train 較大模型時，就會使用GCP來train。
