機器學習包含兩大階段， 訓練模型（建模，traning） 和 推論資料(使用數據模型，inference/predict) 。後者我在上課時有點不太懂，或許更多人聽過得是測試(test)或是預測(predict)。資料探勘也有這兩個階段，甚至評估模型的方式也幾乎一模一樣。

不過比較讓我意外的事情是， 機器學習會使用所有資料去訓練 (在 Lab Intro: Analyzing data using Datalab and BigQuery 這一堂課裡面說到，我還沒理解的很明白，未來或許會再提到)。但是資料探勘會將蒐集的資料分成 訓練資料集(train-dataset) 和 測試資料集(test-dataset) 。

傳統統計會使用抽樣來建模了解資料分佈，但是機器學習不同。
機器學習更喜歡使用所有資料進行學習，因為機器學習可以學習outliners(離群值)

很多人可能會更專注於怎麼訓練資料、建立模型。不過如何使用模型、推論資料也非常重要。若有不恰當的模型，可能導致不合理(不合邏輯)的結果。 機器學習只是工具 ，預測模型更接近使用工具的目的，要是太過忽視，也會造出意外的模型。

※恩，從這個角度來看我自己，我更接近資料分析師或是統計學家。畢竟以前上過好一段時間的統計和資料探勘的課，類神經網路則是最近才比較真正開始學習。