這次 Machine Learning with TensorFlow on Google Cloud Platform 的課程中，如 Day1 提到的，共有 5 個子課程：

• 【5 Days】How Google does Machine Learning
• 【4 Days】Launching into Machine Learning
• 【6 Days】Intro to TensorFlow
• 【6 Days】Feature Engineering
• 【6 Days】Art and Science of Machine Learning

今天就來整理這次鐵人賽的文章，也方便日後自己或是想參考的人可以快速查找相關的主題。

【5 Days】How Google does Machine Learning

這個部分主要在了解ML的商用方式和過程，並且知道何時該使用ML以及在GCP上使用的優點。

• Day2 ：簡介如何使用ML商用化的方式
  • 介紹ML產品建立的過程與為何使用GCP與Google的教學資源
• Day3 ：了解 Google 所謂的 AI-first 策略是什麼意義
  • AI與ML的差別、ML的兩個階段、什麼時候該使用ML，以及使用ML的策略應該是如何
• Day4 ：了解 Google 在使用ML商用化的經驗與知識
  • 介紹Google在建構ML產品上的經驗、ML模型會有偏見、衡量模型的指標混淆矩陣與訓練模型時要考慮到包容性
• Day5 ：介紹雲端開發環境，Google Cloud Platform (GCP)
  • 介紹GCP的基本操作
  • [GCP Lab實作-1]：租一個虛擬機器(Virtual Machine)來處理地震資料
• Day6 ：介紹雲端開發環境，Cloud Datalab
  • 介紹如何使用 Cloud Datalab 與 ML APIs
  • [GCP Lab實作-2]：使用 Datalab 和 BigQuery 來分析資料
  • [GCP Lab實作-3]：使用ML的API

【4 Days】Launching into Machine Learning

這個部分主要在了解ML的基礎知識，包含術語、模型的優化、模型泛化的重要性和訓練模型時分割資料的方式與必要性。

• Day7 ：了解在ML中所會提到的術語以及重要知識
  • 介紹實際的ML、監督式和非監督式學習的差異和ML的歷史
• Day8 ：了解模型是怎麼優化的
  • 介紹了模型優化，從定義模型、損失函數、梯度下降到表現衡量
• Day9 ：了解泛化和取樣的重要
  • 介紹了模型泛化和取樣的重要
  • [GCP Lab實作-4]：在 BigQuery 中建造可重複的資料分割
• Day10 ：了解資料的探索和分割
  • 探索和創造ML資料集
  • [GCP Lab實作-5]：探索和創造ML資料集

【6 Days】Intro to TensorFlow

這個部分主要在了解 TensorFlow 的運作和程式撰寫，並且如何結合 GCP 來做到規模化、分散式的模型訓練。

• Day11 ：了解 TensorFlow 的核心元件和實際操作 TensorFlow
  • 介紹 TensorFlow 的核心元件、計算圖的運算概念、Tensor是什麼以及 tf.get_variable() 與 tf.placeholder() 之間的差異
• Day12 ：透過實作了解 TensorFlow
  • 實際操作簡單的 TensorFlow 程式並且說明除錯的方式
  • [GCP Lab實作-6]：撰寫低階的TensorFlow程式
• Day13 ：了解Estimator API並實際操作
  • 介紹 Estimator API 以及使用它的多項優點
  • [GCP Lab實作-7]：在TensorFlow中使用Estimator API撰寫ML模型
• Day14 ：了解遇到巨大資料集時如何訓練模型
  • 介紹 Dataset API 和如何在巨量資料上做訓練
  • [GCP Lab實作-8]：在TensorFlow使用批次做巨量資料的訓練
• Day15 ：了解何時需要分散式訓練以及如何使用
  • 了解使用 Estimator API 來做分散式訓練
  • [GCP Lab實作-9]：在TensorFlow使用批次做巨量資料的訓練
• Day16 ：了解如何在GCP訓練、監測和部署ML模型
  • 使用 GCP 訓練、監測和部署ML模型，了解規模化應用時的做法
  • [GCP Lab實作-10]：使用 Cloud AI Platform 規模化 TensorFlow

【6 Days】Feature Engineering

這個部分主要在了解特徵工程的重要性與做法，並且透過 GCP 來達到規模化、快速、一致的資料前處理。

• Day17 ：了解特徵工程的領域有哪些
  • 介紹如何將原始資料轉為特徵、數值特徵和種類特徵的差異、機器學習和統計的差別
  • [GCP Lab實作-11]：使用新的特徵來增加模型準確度
• Day18 ：了解前處理和特徵建構的做法
  • 介紹 Cloud Dataflow，在大量的資料上做快速的前處理和特徵建構
  • [GCP Lab實作-12]：簡單的 Dataflow pipeline
• Day19 ：了解如何大規模的執行 data pipeline
  • 介紹在 Dataflow pipeline 中，Map 和 Reduce 操作
  • [GCP Lab實作-13]：MapReduce in Dataflow
• Day20 ：了解如何使用 Cloud Dataprep 做資料前處理
  • 介紹 Cloud Dataprep，建立一個資料轉變 pipeline
  • [GCP Lab實作-14]：在 Cloud Dataprep 中計算時間窗口的特徵
• Day21 ：了解特徵組合的目的與做法
  • 介紹特徵組合的做法
  • [GCP Lab實作-15]：利用特徵工程來增進ML模型
• Day22 ：了解如何使用 tf.transform 來實作特徵處理和特徵建立
  • 介紹 TensorFlow Transform，並且用其來做特徵工程
  • [GCP Lab實作-16]：探索 tf.transform

【6 Days】Art and Science of Machine Learning

這個部分主要在了解ML訓練當中一些重要的關鍵點如超參數，神經網路的概念和嵌入方法的強大。

• Day23 ：了解ML裡面的藝術如正規化、學習率和批次大小
  • 介紹正規化、學習率和批次大小
  • [GCP Lab實作-17]：藉由手調超參數來增進模型精準度
• Day24 ：了解超參數與如何調整其值
  • 介紹參數與超參數的差異、超參數的搜索和調整
  • [GCP Lab實作-18]：藉由 AI Platform 調整超參數來增進模型精準度
• Day25 ：深入了解正規化和邏輯迴歸
  • 介紹正規化的目的、L1 norm 與 L2 norm的差異和邏輯迴歸
• Day26 ：了解和訓練神經網路
  • 介紹神經網路的由來與相關名詞、激活函數與訓練神經網路需要注意的問題
  • [GCP Lab實作-19]：使用神經網路來建構ML模型
• Day27 ：認識 Embedding
  • 介紹嵌入(Embedding)的概念和其強大的特性
• Day28 ：了解如何撰寫客製化 Estimator
  • 了解當需要自己設計模型時，如何撰寫客製化的 Estimator 來訓練模型
  • [GCP Lab實作-20]：使用客製化 Estimator

文章目錄

今天總結了前面所有鐵人賽中，課程的學習內容，明天是最後一天，就來寫寫這次參賽的心得感想吧！