510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】26 - Lesson 10 - 泛化(Generalization)-檢查ML模型對於未知資料集的預測能力, underfitting與overfitting的問題
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】25 - Lab 5 - 在視覺化的網頁中觀察神經網路(neural network)如何分類資料, 並比較batch size如何影響gradient descent
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】24 - Lab 4 - TensorFlow Playground - 讓我們在視覺化的網頁中體驗一下訓練ML模型吧！learning rate 改變對訓練過程的影響
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】23 - Lesson 9 - 加速ML模型訓練的兩大方法(如何設定batch/檢查loss頻率)、batch size, iteration, epoch的概念和比較
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】22 - Lesson 8 - 學習速率 (learning rate) 介紹, 透過「learning rate」調整ML模型訓練的學習速度
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】21 - Lesson 7 - 梯度下降法 (Gradient Descent)介紹,使用「梯度下降法」決定ML模型中參數修正的「方向」與「步長(step size)」
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】20 - Lesson 6 - 使用損失函數(Loss Functions)來評估ML模型的好壞吧! MSE, RMSE, Cross Entropy 的計算方法與特性
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】19 - Lesson 5 - 接下來幾天作為範例的「訓練資料集介紹」、範例「資料集訓練前分析」(順便補上整個ML訓練流程，作為系列文章中的訓練階段參考)
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】18 - Lesson 4 - 什麼是ML模型?訓練的目標? 回歸模型(Regression model), 分類模型(Classification model)的運算
510 - Google Machine Learning 045 - 11th 鐵人賽 - 《Google Machine Learning 學習筆記》【Google ML】17 - Lesson 3 - 多維度線性回歸解(N-D Regression), 交叉熵(cross-entropy)與均方差(MSE) 作為誤差函數計算所帶來的不同
