案例說明中，google有提供以下的建議：
（文章：ML Systems in the Real World: Guidelines）

（列表中會提供相近的本系列文章，希望可以快速搜尋相關資訊。）

• 讓第一個模型可以簡單化（Keep the first model simple）：
  這是為了讓我們驗證的管道可以簡單明瞭的驗證。（使用方式：可為【Day25】3rd：Fairness－評估偏差（evaluating for bias））

• 確認數據的管道是正確的（Focus on ensuring data pipeline correctness）：
  因為其中如果發生錯誤，我們很難追蹤到底是哪裡發生錯誤，可能會認為是數據錯誤、超參數錯誤等等，最後才找到原來是在中間發生錯誤。

• 使用簡單、易觀察的數據來訓練及評估結果（Use a simple, observable metric for training & evaluation）：
  先用一個簡單的數據資料來檢查，這個模型是否如預期，這樣的方式是個初步的驗證，不用等到處理複雜的數據後發現某個環節出問題，可以在初期就停止而進行修正。（可以參考實際案例：【Day28】4th：機器學習＋現實世界－癌症預測）

• 擁有並觀察輸入的特徵（Own and monitor your input features）：
  為什麼要擁有呢？因為這樣可以確認我們輸入的資料是在可控制範圍內，並且觀察這輸入的資料是否如預期結果，沒有仔細監控輸入，當失控的時候會要花很多時間去找問題。(參考文章：【Day22】3rd：數據依賴關係（Data Dependencies）)

• 對待模型參數視為程式碼：要檢查他（Treat your model configuration as code: review it, check it in）：
  就好像程式碼有code review一樣，我們的模型參數資料也要讓夥伴們檢查，是否有問題。（參考文章：【Day23】3rd：公平（Fairness））

• 記錄所有的實驗結果，也包含錯誤結果（Write down the results of all experiments, especially "failures"）：
  因為在後續的調整，就需要實驗結果。而且有時候要驗證我們的參數或是數據集運用是否妥當，也需要這樣的資料（可看前一篇的案例說明）

睫毛之聲：（雜記）

今天看到這篇文章机器学习框架局势突变：TensorFlow 逐渐式微，PyTorch 横扫顶会，不禁想到這次系列課程（相關資料：https://xueqiu.com/3426965578/133880291）。
雖然TensorFlow仍然領先，但是現在已經是兩王爭鋒，未來會怎樣發展仍未知道。
慶幸有機會可以開始學機器學習，逐漸了解這個領域。在學習過程中發現，原來在TensorFlow下，其實程式碼沒有使用太多，花很多時間是在資料處理以及驗證，跟我想像的差很多。

雖然已經完成了本次挑戰，但是還有一部分的課程還沒有完成，如果有空的話，應該會補上！（前面幾次的都還沒有補完）
不過我已經敲門磚了！希望能持續學習！

在此宣告，本次挑戰完成！！
（如果翻譯或是字詞說明有誤，懇請告知）