一開始因為不太清楚怎麼理解ML的學習脈絡，而盲目的亂看各種數學模型的基本原理，以及訓練用的參數和函式怎麼挑選等等，甚至回頭唸了一段統計，試圖從中挑選最好的方式，來規劃和實作我們的題目。

這個方式現在回頭來看有點不太好，即使念的東西都有用，而且統計的概念對於過程和結果理解也真的有所幫助，但工作實務上應該先走最有效率的路線，先求有再求好。

所以挑選題目之後，除了納入考量的參數之外，模型的選定也很重要，自己主觀認為應該先透過單一模型的練手，再追求其他模型的知識理解與精進。

如上圖，AI的領域大致如此劃分，我們從ML的部分進入，在尚未要求處理更複雜的問題，或者商業需要更精準的答案之前，可以先不要誇入Deep learning的領域。

常聽到類神經網路的部分(Deep Learning)，對於我們這種小白，認真希望導入ML的考量下，其實不希望在未經歷過基礎訓練之前，就直接跨入比較進階的領域，因此這部分考慮就先不看。

基本入門，其實就從監督式學習開始，根據決定的命題，從「回歸」(連續型的數值) 和「分類」(離散型的資料)，選定要套用的模型，或者嘗試不同模型，取其最好的部分往下走。

然而「回歸」和「分類」的適用性不同，不能夠拿做「分類」的模型，去做「回歸」的題目，反之亦然。

所以決定好了題目，再挑選模型來研究和學習，其實是對於我們這種有成果壓力的小白工程師比較好的選擇，根據題目是需要「回歸」還是「分類」的類型先研究，等有餘力或者題目改變了，再去了解另外一種類型的模型。

這兩個種類其實有很多種模型，以下只是粗略列出常見的選項：

迴歸(regression)

常見的選用模型：

線性回歸

多項式回歸

分類(classification)

常見的選用模型：

決策樹

支援向量機

貝葉斯