零、工欲善其事，必先利其器

上篇討論AI為何物、AI能否分析股票?
而顯然地，它可以 (可...可惡，我以為可以收工了Orz
那麼接下來會深入探討，什麼樣的工具是我們需要的? Google Study Jam能幫到我什麼? 我會怎麼起步? 以及怎麼取得我們的ML三寶 : 資料、模型和電腦

• 資料(Dataset)
• 模型(Model)
• 電腦(Computer)

其中，Dataset的處理往往是整個過程中最困難的，我們也會留給最後再來處理。今天的重點是剛好藉著Google Study Jam 合作，我們從 電腦 開始下手

一、Google怎麼做ML?

來源為Coursera開放課程的How Google does Machine Learning

我個人喜歡挑著重點講，但咱還是先把整個課程目錄附上來吧!

• a. Introduce to specialization (Google 自肥)
• b. What it means to be AI first (ML概念)
• c. How Google does ML (Google ML 經驗分享)
• d. Inclusive ML (玄學...我是說，評估模型和機會均等)
• e. Python notebooks in the cloud (實作啦!)

因為我的主題目標非常明確，就是實驗性質地想要 預測股票 ，為此，我不會在這邊把所有的內容簡介和心得都放上來，要打上來可能接下來五天以上都是 心得心得心得心得....

• 好像還不錯耶!!!

開個小玩笑，對我而言Python notebooks in the cloud才是重點好嗎!!
你說理論? 怎麼樣避免陷阱? GCP多厲害? 這讓我套用一句沒得冠軍的小智說的話:「 去吧!皮卡丘!!! 」
對不起...接錯線，再給我一次機會:「 不要想那麼多，做了再說 」。
俗話說的好「讀萬卷書不如行萬里路」，遇到問題再回來翻就好。
所以接下來...

二、為什麼要CP

剛剛說了，為了獲得ML三寶中的電腦(Computer)，其實說白了就是硬體資源。
此時你說 :

電腦這東西，我也有啊 !

先森，一山還有一山高，蘿蔔還有蘿蔔糕，雞蛋還有雞蛋糕，還要繼續嗎?
...抱歉...我認真地想了一下並試著回答看看

• 舉個例子，要一個機器判斷一張手寫數字的圖片 是什麼數字 ，可以暫時先想像類似於疊圖比對

  • 先把他跟0比對，再比對1，再比對2，...總共會有10筆結果，選取「距離」最近的當作答案
    

• 而這下方的表格分別代表CPU、GPU和TPU的運行和效能，TPU佔了兩格原因是因為TPU是要被佈署的(prepare and calculate)

CPU	GPU
TPU-prepare	TPU-calculation

• 可以發現，其實ML運算比起CPU效能，更注重所謂的「平行運算」能力，這部分我不會講太多，是一個絕對夠再寫一篇的主題。我只想表達，你沒有1080或是2070以上的顯卡，我覺得雲端資源非常的足夠甚至超越你的電腦效能。

另一個關鍵的因素

--> CP是一個雲端平台(Cloud Platform)

其精隨在讓你可以用 較低效能的電腦 跑起ML，你只要連得進去就好，甚至還可以隨時更換電腦。

你可以四處為家，環球旅遊，要跑ML，就去網咖

別說是我教的...
我接下來會在Google的CP(GCP)上建立所謂的虛擬機(VM)，並在上面跑起Python和notebooks，後面的文章會提到一些常聽到的疑問(如:為什麼是Python、VM有什麼好處、...)我希望都是簡短回答啦XD

三、GCP-我要免費

這裡列出了GCP免費的兩個方案。近幾天會熟悉一下GCP環境，以及考慮要不要放棄(咦? 如有後續，咱後會有期~

附、參考資料及圖片來源

• What makes TPUs fine-tuned for deep learning?