筆者決定先處理一個目前閱讀文獻產生的根本性疑惑：為了達成預測噪音發生時間的期待，到底需要多少的統計學基礎？

問題意識

先說個故事。

先前因為工作專案需要，筆者曾自學並訓練辨識網站驗證碼 (captcha) 的模型。最後一版交付的模型辨識成功率約 70%，有達到團隊認為「堪用」的標準，是一筆自豪的「戰功」。

當時我的職位是後端工程師，負責維護資料庫、開發 API 以及撰寫爬蟲。

公司其實並沒有要求我處理 captcha 這一段，只是筆者在自學轉職成工程師之前，曾處理過不少量的資料標記。（所謂的工人智慧。 Day 05 有提到）在標記的過程中，筆者與一位機器學習工程師有大量的合作。但我對於機器學習的理解，都是那位工程師轉化過的語言。在開始自學之前，我對機器學習的理解，除了基本中的基本外，只知道有不同階段的模型、false positve 以及 true positive （後來才知道叫 confusion matrix）、文字關聯度、向量、機器學習對於文字處理的極限等。

在做標記工作的時候，就有對自己期許：希望不久的將來也可以自己設計、改良分析方法，訓練模型。

回到團隊要在兩週內有自動化解 captcha 方案的場景，我就先從個人 side project 開始：

1. 自行標記 captcha 圖片 (500 張)
2. 同時從零開始學習 Keras 和 Tensorflow 的 API
3. 因為只碰過一點 Python，所以也利用這個機會瞭解 Python 的一些寫法
4. 參考他人已經寫好的 code & 閱讀技術文章及討論區
5. 依照目標網站圖片特性實作
6. 最後完成 source code prototype

Prototype 繼續移轉到工作的專案改寫、訓練，並封裝成 Docker image。最後看到接手模型的同事電腦，只用了 docker run 一行指令，就成功印出四碼的正確結果，內心的感動真的難以言喻。

但必須承認即使經過此專案，筆者對於機器學習，除了更進一步理解了 layer、CNN、Max Pooling、onehot-encoding、激勵函數、二維矩陣、epoch等概念，更多的體悟其實是「知道的愈多，發現自己愈渺小，什麼都不會」。上一篇提到的 loss function，甚至稍早才回想起當初有用來作為判斷依據。

如何評量模型的好壞、訓練過程產出許多數值的意義、以及要如何建立方法(例如選擇激勵函數、或是不同 layer 之間誰先誰後、參數值需要帶多少)等問題，我是回答不出來的。

我能做到的，只是把標記好的圖片丟進 Keras 和 Tensorflow 的 API，稍微調整參數及設定變數，一知半解地兜出「堪用」的模型。

反思

筆者希望透過這次的專案，可以做到理解資料分析的本質，能挑選合適的工具(不一定是機器學習)，並能透過統計的概念衡量成果的好壞。即使最後我們希望達成的需求看起來很微小。

明天讓我們從資料分析需要多少統計學的問題出發繼續學習吧！