前言

這章希望可以加快速度!!!!

主題

2.0 ML Surprise

機器學習的驚喜!?這些課程的名稱都命名的很文藝，讓人無法一眼看穿要講些什麼內容。
所謂的驚喜說穿了就是有別於一般人預期整個流程的時間分配，講者將流程分為幾部分:

• Define KPI's: 訂定績效指標，就是將整體ML專案的目標確立。
• Collecting data: 蒐集資料。
• Building infrastructure: 建設基礎設施，這感覺很廣泛，可能包含機器學習的訓練環境、自動化資料流的程式等等。
• Optimizing ML algorithm: 最佳化ML演算法，這就是訓練模型的部分。
• Integration: 整合，將ML演算法整合進專案的應用中。
  大部分的人可能預期在訓練模型上要花許多時間，或許和硬體廠商不斷主打運算速度導致的迷思，實際上，比起訓練模型，蒐集資料會佔掉更多更多的時間。的確如此，因為，許多資料的蒐集往往不如想像中的容易，可能資料取得不易、資料沒有固定格式、資料格式不易轉換成row data、甚至資料沒有被數位化，這些都是影響資料蒐集要花上大筆時間的可能因素。
  第二項需要花費大量時間的部分是建設基礎設施，其實也是非常好理解的，光是在自己電腦上建構機器學習的開發環境，常常就會因為硬體、OS、軟體等版本間的相依性，導致遇上很多問題，更別說要建構出能夠重複開發、自動化訓練、測試驗證的穩定環境，的確會耗費掉大量時間(除非你使用GCP，我猜後面章節一定會這樣提到)。
  而大家最愛的訓練模型部分，出乎意料佔了開發流程中較少的時間，的確如果有優良且大量的資料集，又有穩定的開發環境，訓練模型的門檻將會大大降低，所以反而不需要花費太多時間。
  當然，這一切皆源自於Google經驗!!!