就這半年以來的經驗，會覺得是需要。

既然資料是關鍵的部分，那麼判讀資料的組成和分佈，運用上統計的知識會更有效率。

有時候問題就是這樣，當你能夠了解問題在哪裡，才能夠試圖想辦法去解決問題。

想不想得出處理辦法是一回事，但是能夠判讀問題在哪個方向的價值，本身就不言而喻。

但畢竟統計也只是一種工具和手段，如果有其他方法替代，那也沒有非得說一定要把統計學得非常厲害才能做ML，有一些工具或分析程式可能提供類似的幫助。

不過還是要強調，ML其實就是統計的進階延伸，當然統計學能力越好，直接的幫助越大。

統計學不等於資料科學

就像Deep Learning算是Machine Learning的一部分，如統計學可能只是資料科學家擁有的能力之一，資料科學是更廣泛與模糊的能力統稱。

簡單舉例一個概念，資料和數字有沒有有效性，會不會有過期的問題，用統計學來看是不太有應用層面的考慮，純粹的學術計算，統計1天還是統計10年都是做統計，但資料學家會考慮時空背景。

資料在那些專家的眼裡，是會區分有價值和沒價值，或者根據狀況條件做分門別類。

值得重視的ML框架使用能力

程式框架的使用能力，如tensorflow，其實也是另外一個不容輕忽的技能，像是Vertex預設提供的AutoML模型若不滿意，想要進階的自行訓練模型，那就需要這方面的能力。

另外不論Vertex還是Azure提供的ML工具，都有提供 jupyter notebook的結合方式，換句話說還是提供自行設計模型的管道，只是運算可以丟到雲端處理。

畢竟怎麼設計合乎自己想要的應用題目，還是只有自己最清楚，如果是非常依靠或者重要ML吃飯的公司，這方面的能力需求大概免不了。

結語

所以最理想的方式，大概優秀的資料科學家+優秀的框架使用能力+擁有充分的運算資源。

現實上太困難了，尤其想找到有經驗資料科學家，就有一定的門檻。

然而在目前既有的條件，如vertex這類的自動化服務，完全沒有資料科學家的能力可能還是差了一點，看能不能嘗試斜槓一下了。