如上圖所示
在區別便選擇良好的機器學習題目後。
下一步驟便是選擇合適的開發框架與開發平台。

其實隨著AI應用的興起，各式各樣的開發套件也如雨後春筍般的興起。
比較常見的就有源自Berkerly大學的Caffee，
Facebook主推的PyTorch，
開源社群自發的Keras，
微軟發展的Microsoft Cognitive Toolkit，
與Google Brainin開發的Tensorflow，
各位所常與適合的應用領域。

由於課程的開發者是Google，
所以選擇自家的Google Cloud Platform和 Tensor flow 也不令人感到意外。

在ML With Tensorflow步驟中，
比較重要的地方是訓練數據集的蒐集與標記與Tensorflow 模組與代碼的開發與組合。

一般會建議使用大樣本的訓練數據集，因為數據集的數量越大，也代表母體中的抽樣愈大，這樣訓練出來的模型(Model)兼容性(Coverage)和偏誤(Bias)也會必較小，通用度也會比較好。

至於標記(Label)的部分，實驗型的小樣本採取人工標記尚有可行性。但是一旦有擴大scale up 訓練集的需求時，採用業界和學界成熟的開源資料庫(例如ImageNet)會是兼顧標籤正確性與節省時效的做法。

另一方面，Tensorflow 模組的開發與組合的部分，
一開始會先建立整個Tensorflow programming stack的基本概念，
不會太深入追究底層訓練模型的數學、物理細節。

整體的課程應用會側重於中上層(High-level API 與 NN[Neural Network] Model)的部分。

到課程的中後段的Lab會有寫好的神經網路Web Demo與 基於Jupyter Python Notebook 的網路GCP ML開發環境，
配合講師的lab preview和實地操作會有比較深入的練習與體會。

一開始只要有Tensorflow整個開發框架基本概念即可滿足現階段課程的需求。