Reference: Prerequisites and Prework
過程中我會盡量避免翻譯英文，每次都卡在英文看得懂，要講中文講不出來。尤其是專有名詞，太難了，翻了可能更找不到資料...

Prerequisites

• 代數algebra: Machine Learning裡充滿了各種的代數學，變數(variables)、係數(coefficients), 線性方程式(linear equations), 函數圖形化(graphs of functions), 跟 直方圖(histograms)
• Python: 之後的作業會用到Python跟TensorFlow，TensorFlow不太需要知道太多，倒是Python要熟悉function definitions/invocations, lists and dicts, loops, and conditional expressions.

Prework

• pandas: 用來操作data set的Python函數庫，沒玩過的有個練習可以操作看看。

• TensorFlow: 之後會用到TensorFlow的 tf.estimator API 建立model，所以需要一些基本的TensorFlow知識。可分別玩一玩底下三個examples: 1) TensorFlow HelloWorld, 2) Programming Concepts, 3) Creating and Manipulating Tensors

Key Concepts and Tools

1. Algebra

• 變數、係數、函式
• 線性方程式: 二元一次、一元二次那些
• 對數 Log
• Sigmoid function: 有點類似開關，會當成Activation Functions
  

2. 線性代數

• TensorFlow, TensorFlow rank: rank有人翻譯成維度，

  Rank	Math entity

  0|Scalar (magnitude only)
  1|Vector (magnitude and direction)
  2|Matrix (table of numbers)

• 矩陣

3. 三角函數

• sin, cos微分變成什麼?
• tanh: 有點類似開關，會當成Activation Functions
  

4. 統計

• 平均值、中值、outliers、標準差
• 看懂histogram

5. 微積分(可能需要一點)

• 微分
• 梯度、斜率
• 偏微分
• Chain rule連鎖率
  

Python

1. Function
2. Dictionaries, lists, sets: 基本上要會Create, read, update, delete
3. Loop: for ... in ...
4. Condition: if/else
5. 基本的型態: 字串、int、float
6. pass statement: 類似C/C++單獨一個分號(;)，不做任何事。

除此之外還要很理解 List 跟 Lambda function

Third-Party Python Libraries

1. Matplotlib (用於資料視覺化)

• pyplot 畫圖
• cm, colormaps 色彩視覺化
• gridspec Grid layout 分格顯示

2. Seaborn: 主要用headmap，不過這也滿多統計上資料視覺化的函數可以參考的。
3. pandas: 上面講過囉~
4. Numpy: 數值運算函數庫，一直是我python的惡夢，python型態不對又會無法執行，每次都要很注意型態

• linspace: 區間內平分每個step值
• array
• random
• arange: 有點類似linspace, 但他每step = 1

5. scikit-learn: 資料分析的好用工具，對資料科學跟機器學習都很有用，這邊拿來用在metric評估指標

好，到這邊結束了這篇，剛看到原文的時候，花了很多時間去喚醒每個東西的記憶，希望大家不用看原文看這麼累，讓這邊可以讓你們更快喚回你們理解的一切。