“How Google does Machine Leaning” 總共有5次 Quiz，鐵人賽剛開始起步，就先依照Quiz分成五天，雖然內容可能不算豐富，就當作培養寫作習慣的暖身吧!
本章節主要進行簡單的開場，並且點出Google在Machine Learning上面的主打核心，Tensorflow和Google Cloud Platform (GCP)上的Google BigQuery。
前者大家應都不陌生，就是Google打造的機器學習Open Source套件，2019年已經發布了最新的Tensorflow 2.0版本，整合與簡化了許多函數的使用方式，並且支援更多的語言和系統，用Tensorflow Lite在輕量化與Edge Computing領域展現出企圖。
後者若沒有使用過GCP服務的人可能就不太熟悉，BigQuery是在GCP上面一款類似關聯式資料庫的服務，可以輕易地使用SQL語言進行運作，同時結合其他GCP上面的服務進行資料流的連動，另外，與傳統SQL不同的地方在於，能夠直接結合SQL語法和BigQuery的特殊語法進行Machine Learning模型的訓練，換句話說，利用SQL指令靈活的特性從資料庫中篩選適合的資料集，並直接用於機器學習模型的Build、Evaluate...，省去寫一堆pandas的python程式的麻煩。
截圖自 Coursera "How Google does Machine Learning" 課程
從本章節介紹的整部課程的五大核心內容。(如上圖所示)
首先，主要介紹Machine learning整體的大方向與概念，同時推坑為什麼要選擇Google?為什麼你該使用GCP?熟悉GCP各項服務的功能後，在未來整體的規劃上，才不會迷失了方向!
使用Tensorflow進行Machine learning的模型建立，這邊有特別提出一項常常被忽略的部分，也就是建立好的資料集，在網路上的資料集或者比賽提供的資料，雖然可能仍須經過處理，基本上還是已經受過至少一次的處置，但實務上要將機器學習導入產品化的公司，蒐集來的第一線資料總是比想像中的更為混亂。
舉例來說，出現頻率不低卻很嚴重的情況，就是資料內容與敘述文件有出入，原因很多，敘述文件版本過舊、檔案轉換導致、資料蒐集流程有問題(程式Bug、人為疏失)，最可怕的是"第一線不為人知的暗黑兵法!"。
總而言之，俗話說"上梁不正，下樑歪。"，建構出一份好的資料集是非常重要的，不然最終產生出來的模型都只是Garbage in garbage out。
接著應該就是大家最愛的部分，學習如何提升Machine learning模型的精確度，雖然，從過去到現在有各種黑魔法調參秘方，但是若想要建構出穩定可信的商業化產品，還是依循一些統計工具與機器學習技巧，才能有效提升模型的表現。
(以下課程會在 Advanced Machine Learning with TensorFlow on Google Cloud Platform)
這部分是要如何將Machine learning商業化、產品化最重要的一章。
此部分會提供許多具體化的機器學習實例，並且根據這些所學的技巧、工具，建立出自己的一套模式。
本章節主要敘述，Google已經將機器學習的應用拓展到許多日常生活方面，最貼近大眾的Google Photo、Youtube、Gmail等服務，到近年來熱門的self-driving都是機器學習應用的蹤跡，Tensorflow也已經在Google的4000多項產品中被應用，因此，你當然應該跟著老司機一起上車狂飆!
截圖自 Coursera "How Google does Machine Learning" 課程
為什麼要使用Google Cloud，看到這張圖應該很清楚，對於機器學習商業化產品服務的整體流程，都能夠在Google Cloud的服務中被達成，前半部在處理資料流與Training Machine Learning Model，是大部分的人最常耗費時間處理的地方，然而，這並不會是產品服務的最大挑戰，而且，實務上的資料並不僅僅是一份給定的資料集，而是會源源不絕持續湧入，因此，如何自動化、持久化的將這些資料進行搜集統整，就是使用Google Cloud的優勢，其中針對不同型態的資料類型(Stream、Batch)，根據Google經驗上的建議是要使用相同的方式進行彙整(Cloud Dataflow)，能夠減少一些不必要問題產生的失敗。
在下圖的金字塔中，Google Cloud基礎建設乘載著整個資料工程師工作的根基，再次地重申GCP是你最好的選擇!
截圖自 Coursera "How Google does Machine Learning" 課程
原本只想草草打些字苟且一下，沒想到就花了快三小時。
iThome鐵人賽
看影片追技術