在踏入ML領域的第一步，也是最核心的關鍵，就是決定命題。

那麼會想解決什麼樣的問題呢？

若要在工作上落地應用，想必是與業務相關的問題，也因此本身題目的決定就是很困難的事情。

每個公司的商業模式不同，業務流程和想解決的問題通常也是專屬課題，想得到可用的參考資料並不容易，只能自己的團隊做決定。

然而根據我們的踩坑經驗，在這之前，先了解ML的使用範疇，在ML能夠應用的範圍內決定題目，才是正確的做法。

不是每個問題都派得上ML

再重複前一篇所提，ML是為了得到一個模型，能夠計算丟進來的資料，產出答案，因此解決問題。

很重要的前置概念：

簡單和有絕對的因果關係的問題不行，做ML並不是為了解決這種事情而用。

舉例：想知道販售產品的毛利率。

這個問題其實可以透過統計已知的生產成本和營業成本得到答案，成本的計算方式是肯定的而且明確可知，有明確的計算方式，並非是ML的應用用途，一板一眼的計算方式完全不需要經過訓練。

上述的計算，可以說是一個函式或者模型，但要知道的是ML是得到模型的一種『方法』，因為有些模型/函式/公式太難透過人腦推理或計算得出，因此藉由ML這種『方法』獲得。

換句話說，如果本身可以知道模型內容，就用不上ML對吧。

模型可以解決問題。

但怎麼得出模型，不一定要用到ML，可以是自已寫的程式或公式。

所以回過頭來的結論。

在ML領域想解決什麼問題，其實是：

想用模型計算/解決什麼問題 + 這個模型的產生方式不是人腦可以簡單給出公式解決