本篇會講一些Google提供的機器學習之環境到底是怎樣，如何協助我們。
文章：Production ML Systems

這是課程中描繪的圖片：

明顯的看得出來，中間的「ML code」其實對於整個機器學習的系統是十分渺小，他們提到甚至不到5%。

經過了十幾天，其實有發現一件事情，就是在討論機器學習的公式非常的少，大部分都是在說如何製作，如何計算，如何整理資料，如何分類資料等等作業。
光是收集，還有整理資料就要花費一堆功夫，十分令人頭大（可以參考：【Day12】2rd：泛化（Generalization）
、【Day15】2rd：表現（Representation）
、【Day16】2rd：特徵十字（Feature Crosses）
、【Day17】2rd：特徵十字（Feature Crosses）# 2 －One-Hot Vectors
等系列文章）。雖然步驟多，且花費一堆時間，但幸運的是可以有很多工具使用，所以就讓我們真正需要動腦的部份，就是在核心：訓練模型、資料整理與解析等等較為精細的作業。
所以圖中的東西多，但是不一定我們都要做，可以說幾乎所以步驟都有工具可以協助，除了 TensorFlow 提供許多組件外，但是其他的像是Spark或Hadoop也是現在很流行使用的。

可以參考上一篇文章（【Day18】2rd：Feature Crosses #3－遊戲時間
），我們使用了他們整理好的數據模組，還有Google準備好的超參數欄位，而我們只要在這些欄位中換數值即可，並且可以根據不同的數據內容進行訓練。雖然只是初期學習，但是可以看得出來，我們並沒有深入去實作每一個動作，這些都是有套件或是模組幫我們實現。不只是學習，在跨入真實世界中的機器學習相信也是不會如想像那麼難。因此第二個部分現在這邊停止，理論的東西等之後有時間再討論，現在來試看看Google的機器學習工程（Machine Enigneering）吧

睫毛之聲：

（剛好身邊有Spark大師在，不懂就可以請教他！）
現在開始短短的新的一章，不然再下去理論的話，可能完賽都還在算數學