前一天我們把Cloud Datalab服務介紹完，今天來介紹如果說沒有機器學習該怎麼解決問題？

ML, not rules

講師介紹如果說在沒有機器學習的情況下想要進行一些應用，是否無法解決？以圖像分類來說，假如今天的例子是分類蘋果與橘子，沒有機器學習的話我們可能藉由寫一個演算法來對圖像的像素來分辨，只要能分辨出紅色橘色，便能夠在輸出時分辨是蘋果還是橘子，但如果說今天是黑白照片，就很難用顏色只能用外觀概略去判斷是橘子還是蘋果。

如果是複雜一點的例子，像是四張羊和狗的圖片和四張拖把的圖片，就很難用人眼去做區分，一開始看都是白色毛茸茸的東西，如果說沒有仔細觀察每一種物體的特徵，真的不好分辨說是不是同一種東西，更何況是使用監督式學習的方式教機器去辨認物體，或著是非監督式學習的方式讓機器自己去分辨，而這些問題在沒有機器學習之前都得寫複雜的算法來解決，我想現今的應用當中如果沒有機器學習的幫助應該不會這麼容易就把一些問題解決，多虧有了機器學習，讓以前的複雜問題能夠被簡化。

Two ways to add ML to your apps

前面只是舉個例子，而今天所要談到的主軸是GCP上面有哪些機器學習的工具能夠添加在我們的應用當中，分為自定義的機器學習工具，像是TensorFlow或是Cloud Machine Learning Engine工具，或著說是特定功能的API，日後的課程當中也有針對Cloud Vision API、Video intelligence API、Cloud Speech API來介紹，Translation API 與 Naturl Language API這兩個會合併成一個部份來講，能夠幫助我們在開發應用程式時更為方便。

今天先介紹到這，明天來介紹Cloud Vision API和Video intelligence API。

參考資料與圖片來源

• coursera課程