專項課程簡介

主旨：簡介使用ML在商用化的方式

Machine Learning (ML) 步驟

(1) 確定ML的策略：為何需要使用ML？整個應用的大方向是？好的策略才能讓公司的其他單位所接受。

(2) 建立資料集與ML模型：好的資料建立會很大程度地影響商用時的成果。

(3) 提高模型精準度：建立好模型後，通常迎面而來的是精準度不足的問題，如何有效的提升模型的準確度是相當重要的一個環節。

(4) 規模化營運ML模型：當進入商用階段時，大規模的服務便是不可避免的問題，如何分散式的訓練模型到預測結果是非常困難且需克服的點。

有些專門的模型是常被用於目前的商業應用上，包含影像分類模型、序列模型與推薦系統，這些在另一個課程將會學到。

Why Google？

Google 本身幾乎所有的產品都有應用到ML，舉例來說如Photos, Youtube, Gmail, Inbox...等等，因此在建立ML相關產品的經驗是非常多的。此外從2012到2016年間，Google 在 TensorFlow 上建構了高達4000個ML的模型，因此，無論在商用化或是專業化的角度上，Google的經驗都是非常豐富的。

為了成功地應用ML，我們不只需要考慮模型的訓練，更重要的是如何讓訓練好的模型可以服務使用者，因此資料工程(data engineering)就顯得特別重要，這也是為什麼Google Cloud Platform (GCP) 有存在的必要，它可以幫你減輕處理這方面的工作，讓你的ML應用能成功的商用化。

今天大概介紹了ML產品建立的過程與為何使用GCP與Google的教學資源，明天我們將介紹什麼是 “AI-first”。