Yap, 這篇沒有Reference，而是要總結我這個月所學的Machine learning crash course(MLCC)。

Machine learning(ML)是個很大的topic，這個月的內容也都很靜態(static)。除此之外，這個月的問題都已經列好，資料也準備完善，只需稍作修改，就可以開始training。我們面臨的問題絕對不只如此，你可能連問題長怎樣都很難想像、或者連資料有沒有都不知道。然後，更有可能在使用的過程中，犯了很多前人犯過的錯，還把這些錯誤視為理所當然地繼續餵入model。這些都是學完MLCC以後，要更深入探討的領域。

先總結這個月的內容：

從暖身開始

[Day 1] 緣起
[Day 2] 事前準備 (Prerequisites and prework)

來些ML簡介

[Day 3] Machine learning介紹
[Day 4] Machine learning術語

頭痛的一點點數學

[Day 5] 陷入Machine Learning之中
[Day 6] ML中的reducing loss

熟悉接下來會頻繁使用的工具TensorFlow

[Day 7] TensorFlow的第一步
[Day 8] TensorFlow programming exercises

探討資料與training

[Day 9] Generalization
[Day 10] Training set vs. test set
[Day 11] Validation
[Day 12] Representation
[Day 13] Feature Crosses特徵組合

踏入Classification

[Day 14] Regularization正規化-Simplicity
[Day 15] 邏輯迴歸分析Logistic Regression
[Day 16] Classification(上)
[Day 17] Classification(下)

Neural Network

[Day 18] Regularization - Sparsity
[Day 19] 神經網路Neural Networks介紹
[Day 20] Training神經網路
[Day 21] Multi-Class Neural Networks
[Day 22] Embeddings(上)
[Day 23] Embeddings(下)

Last but not least

[Day 24] Static vs. Dynamic training
[Day 25] Static vs. Dynamic Inference
[Day 26] Data Dependencies
[Day 27] Fairness(上)
[Day 28] Fairness(下)
[Day 29] Real-world examples

未能涵蓋之處

Problem framing
內容包含一步一步塑形出ML問題的步驟，包含可能會遇到哪些問題、要如何定義問題等等。
Data Preparation and Feature Engineering
如何建構你的data，如何轉換你的data。這邊有點類似培養你對data的敏感度，怎樣的data該如何利用，到時候一看到data就可以直接連結該如何檢查、監控、使用。
Rule of ML
可以算是Google列出的經驗法則，在每個階段的經驗法則，好讓我們不要深陷其中而不自覺。

OK，這系列的文章就到此為止，希望各位看官日後再多多指教了！