前言

這大章節課程影片一堆，很多內容都和標題卻和想像中有點差異，以為會是講些觀念或理論，但大多還是介紹Google如何做?或是做了什麼?這樣的內容沒有說不行不好，可是看多了會膩。

主題

原本前面還有一章主題是 pre-trained model，結果內容其實主要是說google有一堆各式各樣幫你訓練好的model，你可以直接調用，讓我覺得這門課想訓練出的也不過是新型態的"工人"，也或許在進階課程中會有更多討論。

1.9 A data strategy

這章又說一堆前面已經講過的老話，反正就是 more data, more powerful，另外就是，大量的資料所建構出的簡單模型，會比在少量資料下的複雜模型更好，用碎形進行比喻真的是說不出的奇妙，可是想想也蠻符合的，畢竟這些碎形圖案的確是依循簡單的規則遞迴疊代產生。

1.10 Training and serving skew

這章節則是討論，訓練模型與實際應用的差異，從學校出來的學生或研究員，的確非常缺乏對於將模型佈署到實際場域中的經驗。相較於固定的資料集，實際場域中需要對應源源不絕的原始資料，因此，首要目的就是"自動化"，自動化蒐集資料、自動化解析資料(轉換成模型能夠使用的形式)，另外，資料流的控制也非常重要，從最前端(edge)到雲端(cloud)，如何確保資料流動的穩定、流量、安全性等，最後，資料如何被儲存、資料視覺化呈現、應用端互動等，這一套完整流程Google cloud都有相對應的服務可以使用。

1.11 An ML strategy

這邊提出一項建構Machine Learning專案的策略，比起單一強大的模型，Machine Learning更適合被以多個簡單的模型來使用，因此，能夠不斷失敗、快速重複進行建構的環境會非常適合。
另外，這章節主打Google強大的工具就是，能輕易的將非結構化的資料經由Google的API轉換成結構化的資料，希望未來的課程能用到這項服務進行練習。