Lesson 8 — 學習速率（learning rate）介紹，怎麼透過它調整 ML 模型訓練的速度。
Lesson 7 — 梯度下降法（Gradient Descent）介紹，怎麼用它決定 ML 模型中參數修正的「方向」與「步長（step size）」。
Lesson 6 — 介紹損失函數（Loss Functions）：MSE、RMSE、Cross Entropy 三者的計算方法與特性。
Lesson 5 — 介紹接下來幾天用作範例的訓練資料集、訓練前的資料分析，以及補上完整的 ML 訓練流程作為系列參考。
Lesson 4 — 什麼是 ML 模型？訓練目標是什麼？回歸模型（Regression model）與分類模型（Classification model）各自的運算方式。
Lesson 3 — 多維度線性回歸（N-D Regression）介紹，比較交叉熵（cross-entropy）與均方差（MSE）作為誤差函數的差別。
Lesson 2 — 監督式學習的兩大問題：回歸（Regression）與分類（Classification）。
Lesson 1 — 監督式學習（Supervised）與非監督式學習（Unsupervised）的介紹與比較，開始新課程《Launching into Machine Learning》。
Lab 3 — Machine Learning APIs 實作篇，串接 Google 的圖片辨識、語音辨識、語言翻譯、自然語言辨識 API。
Lab 2 — 使用 BigQuery 與 Cloud Datalab 視覺化分析資料的完整操作紀錄。
