到這裡，我們可能對機器學習 project 的套路有一點感覺了，大概如下：

1. 資料清理/前處理
2. 特徵工程
3. 建模
4. 訓練
5. 評估模型

但套路中的法門就很深了…整個跑火車(training)的過程，60% 70% 的時間花在前兩點，也是很合理的。深度學習(DL)的出現，不僅因為 GPU 加速的關係，讓類神經的模型復興，可以隨著資料量增加，準確度提升，這件事是以往機器學習作不到的。

此外，在圖片、音訊、自然語言…等方面，也有了新的特徵工程的套路。例如以往我們作不同物品、人像辨識時，可能會需要不同的 feature extraction ，例如行人辨識可能會用到 HOG ，在其他類型的圖片辨識可能會有完全無法套用的情形。現在這一次，都交給卷積處理。

回到今天原本要講的主題，出現在實戰第七章，負面評論識別，我們今天先跑一個類似而簡單的範例，也就是 keras 範例[註1]裡，電影評論情緒識別[註2]，colab notebook 跑的結果請看 gist[註3]

註

1. keras/imdb_lstm.py at master · keras-team/keras
2. Sentiment Analysis
3. fork from https://github.com/keras-team/keras/blob/master/examples/imdb_lstm.py