Lesson 12 — 完美的損失函數存在嗎？介紹 ML 模型的性能指標（performance metrics），以及不適當的最小 loss 帶來的問題。
Lesson 11 — 怎麼判斷 ML 模型該停止訓練了 — 用驗證資料集、測試資料集、交叉驗證（cross-validation）評估模型表現。
Lesson 10 — 泛化（generalization）：怎麼檢查 ML 模型對未知資料的預測能力，以及 underfitting / overfitting 的問題。
Lab 5 — 在視覺化網頁中觀察 neural network 怎麼分類資料，並比較 batch size 如何影響 gradient descent 的收斂。
Lab 4 — 用 TensorFlow Playground 在視覺化網頁中體驗訓練 ML model，觀察 learning rate 改變對訓練過程的影響。
Lesson 9 — 加速 ML 模型訓練的兩大方法（batch / loss 檢查頻率），以及 batch size、iteration、epoch 三個概念的差別。
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。
