前言

今天我們先進入 How Google does Machine Learning 的第五章節，之後再回到第四章~

這次鐵人賽的30天中，我目前所寫文章的所有課程目錄如下：

• 【Day 1】準備日 – 註冊coursera與訂閱課程
• Course – How Google does Machine Learning
  • 【Day 2】 Chapter 1 – 讓你的ML在Google雲端平台運行的五大階段
  • 【Day 3】 Chapter 2(上) – 什麼是ML? 為什麼ML最近才紅起來?
  • 【Day 4】 Chapter 2(中) – 我們要怎麼樣設計一個ML問題? 與google提供的好用工具
  • 【Day 5】 Chapter 2(下) – ML要成功的秘訣與策略
  • 【Day 6】 Chapter 3(上) – ML會失敗的最常見十大陷阱
  • 【Day 7】 Chapter 3(下) – ML在企業運行的五大階段與注意事項

Course – How Google does Machine Learning

第五章節的課程地圖：(紅字標記為本篇文章中會介紹到的章節)
* Python notebooks in the cloud
* Module Introduction
* Cloud Datalab
* Cloud Datalab
* Demo: Cloud Datalab
* Development process
* Demo of rehosting Cloud Datalab
* Working with managed services
* Computation and storage
* Lab: Rent-a-VM
* Intro to Qwiklabs
* Intro to Renting-VM Lab
* Lab: Rent-a-VM to process earthquake data
* Lab debrief
* Cloud Shell
* Third wave of cloud
* Third Wave of Cloud: Fully-Managed Services
* Third Wave of Cloud: Serverless Data Analysis
* Third Wave of Cloud: BigQuery and Cloud Datalab
* Datalab and BigQuery
* Lab Intro: Analyzing data using Datalab and BigQuery
* Lab: Analyzing data using Datalab and BigQuery
* Lab Debrief: Analyzing Data using Datalab and BigQuery
* Machine Learning with Sara Robinson
* ML, not rules
* Pre-trained ML APIs
* Vision API in action
* Video intelligence API
* Cloud Speech API
* Translation and NL
* Lab: Machine Learning APIs
* Lab: Pretrained ML APIs Intro
* Lab: Invoking Machine Learning APIs
* Lab Solution

1. Module Introduction

課程地圖
* Python notebooks in the cloud
* Module Introduction

這章基本的用文字介紹了一下雲端的環境，
我們會用python notebook做機器學習的開發，
而notebook的服務在google雲端上。

Cloud Datalab基本上是本章節使用的開發環境，
而此服務在VM上運行，包含python notebook，
我們同時也會教學Compute Engine的原理與Cloud Storage的知識。
既然是VM就必須提調VM的兩個特性：

1. 可以實際控制與更改notebook的機器內容，且無須重寫
   > 例如：添加GPU或增加更多memory
2. VM是短暫的，如果想保存內容須保存在VM外
   > 而這點最方便的方法就是使用Cloud Storage。
   我們將notebook的內容保存在Cloud Storage中，
   同時還能達到版本控制的效果。

而這個章節的學習目標，我們可以參考如下：

Module Learning Objectives(這個module的學習目標)
* Carry out data science tasks in notebooks

練習使用notebooks完成資料科學的任務
* Rehost notebooks on the cloud
在雲上使用notebooks，並更改硬體規格
* Execute ad-hoc queries at scale
我們將將Cloud Datalab與BigQuery一起使用，BigQuery是雲上的數據分析服務，可以讓超越傳統數據庫的執行速度與規模進行queries的查詢
* Invoke pre-trained ML models from Datalab
能使用一些pre-trained ML models(前面的章節有介紹到)，並在Cloud Datalab中運行。

2. Cloud Datalab

課程地圖
* Python notebooks in the cloud
* Cloud Datalab
* Cloud Datalab
* Demo: Cloud Datalab
* Development process

這章稍微介紹了一下Datalab的環境，以jupyter作為基礎的open source平台。
下面為Datalab的介面展示：

可以看到主要有三個部分：code, output, markup sections彼此交錯
也因為這樣的交錯才能使notebook如此實用，

code:

在此打你的python code
執行code的方式: 按 shift+enter 或 按上方的 Run botton

output:

注意output可以為圖形，不像command line一樣。

markup:

可以寫一些markup(markdown語法)，可以解釋你這個部分在做什麼。

最後是綠色部分:

有可以將notebook匯出的按鈕，可以將此notebook下載下來。
可以commit code至Google Cloud Platform至code repository的按鈕。
Clear all: 清除所有output
Run all Cells: 執行所有Cells

所以整個Datalab的使用流程大概可以表示成下圖：

另外要特別強調的是，Datalab的一大特色是可以線上協同合作
傳統的notebook要線上合作有個基本的問題，誰當host?
一但host只要關機，任何人都無法繼續工作。
而Datalab解決了這個問題，而我們只要給一個URL就可以了。

另外一種Share的方式可以利用版本控制系統，例如Git，
而且只要我們想改動硬體的規格，任何人都可以直接改好後，
重新啟動VM，就直接以新的硬體規格來執行程式。

簡單來說，Datalab架於雲端的VM上，任何人只要連線即可開始工作。
而只要工作結束了，隨時也能將此VM刪除。

3. Demo of rehosting Cloud Datalab

課程地圖
* Python notebooks in the cloud
* Cloud Datalab
* Demo of rehosting Cloud Datalab

這個章節主要來介紹如何在Datalab中更換VM的硬體規格。

Step1. 先將想更改規格的VM打勾，上方按下暫停VM