以下是我自己這一路學習ML過程中，整理出來的ML研究與實作，使用的演進脈絡，純屬個人觀感，並未有任何理論說明是這樣區分。

因為網路上的資料實在太多，這個領域的知識和做法又在快速地進展，然而看太新的資料在沒有基礎的知識支撐之下，除了看不懂根基也不扎實，看太舊太基礎的資料又晦澀難懂，實務上好像得要花上幾年摸索才能商業化，到底怎麼有效率的學習這門學科並應用，實在是莫大的痛點。

1. 純手工土砲做法

了解了ML訓練模型，其實本自於數學運算，那麼就可以開始寫程式了，數學函式，譬如說梯度下降法會用到的微分，偏微分，啟動函式等等，其實可以用程式的方式寫出，網路上也不少參考資料。

搭配讀取進來的資料，整理成適當的資料格式後，傳入數學運算的訓練函式，執行後就可以拿到結果。

以上好比只用基礎語法if/else、for迴圈、switch等等，很辛苦的手刻各種東西，但相對若能手刻做一次，一定令人體驗深刻。

2. 套件化的輔助

有些固定的數學運算方式寫成library是不是方便許多了？大家也可以不用重複造輪子，python的許多套件便是為了這樣產生，甚至是為了數學運算的效率而生，例如numpy套件，專門為了矩陣運算效率成為廣泛使用的套件之一。

這些套件並不是像我們寫golang那樣，也許只是外面多包一點，參入一些自己需要的功能，反而是為了需求或運算效率而產生。

以上好比有了function、class、package的概念，世代又更進一步的演進。

3. 框架

如果想要更懶呢？就是衍生出框架的概念。

譬如說使用 sklearn.LinearRegression() ，就直接讓框架幫我們執行迴歸模型的運算，需要細部的調教再另外設定參數。

以下列出三個比較常見的ML/DL框架，有興趣可以參閱更詳細的資料。

Scikit-learn

Tensorflow

PyTorch

4. SaaS服務自動化訓練

那麼選什麼框架，怎麼樣調教才能獲得最好的模型，或得到相對清楚的訓練報告呢？

如果願意花一點預算，Google Vertex AI功能可以提供這樣的服務，花費的金額就我們來看，相對比請幾個工程師便宜多了，當然需要比較客製化或使用進階的功能，有能力的人才依然不可或缺。