最後三天讓我們來聊聊未來方向吧！

當我們踏入機器學習的領域，學了很多機器學習的方法(特別是跟神經網路有關的方法)，但在一般企業裡或實務上卻發現好像用不到，或發現用統計、決策樹和 if-else 判斷似乎就能解決大部分的問題時，很容易冒出了我學機器學習或學這麼多方法到底在做什麼的想法。

這邊我想從數據的角度來講這樣一個狀況。前面學機器學習時，是從有什麼方法、這個方法的意義用法角度來解決問題，所以並沒有對數據做太多的前處理或探討。

但現實生活中，我們更多是從資料出發。機器學習是一種方法，我們了解其優缺限制後，即可選用合適的方法解決問題，但更多時候我們會需要對資料做清洗前處理等，好的資料處理可以避免 garbage in, garbage out，選用好的數據也會比調整參數更具成效。

數據分析成熟度模型(Data Analytics Maturity Model)

圖片來源：從Gartner的數據分析成熟度模型來談，從數據分析進階到商業智慧該做些什麼？

這是一個描述企業對數據分析運用成熟度的模型，它分成四個階段：

• 描述性分析(descriptive analytics)：描述數據結果(what)
• 診斷性分析(diagnosic analytics)：診斷數據結果原因(why)
• 預測性分析(predictive analytics)：利用數據預測會發生什麼(what-than)
• 指示性分析(prescriptive analytics)：我們要怎麼做才能產生或避免預期的風險(how)

通常在預測性分析和指示型分析之間，還會加入條件性分析，目的是為了模擬可能的情況跟風險評估(what-if)
— 從Gartner的數據分析成熟度模型來談，從數據分析進階到商業智慧該做些什麼？

前半部偏向現況分析，多用統計等好解釋的方法來描述情況，後半部是對未來的假設預測，也是目前機器學習的運用方向。價值跟困難度會隨階段而提升，大家都是在轉型成長當中。

機器學習的過程就是在找一個函式(function)，讓機器有能力根據我們提供的數據資料，找到我們想要的結果。明天我們會來聊聊會手寫數字辨識後，可以往哪些方向繼續學習或累積自己的履歷。

我們明天見！

其它－Azure Machine Learning Studio

今天本來要用 Azure Machine Learning Studio 這個工具來講數據對機器學習的重要性，結果這個月發現 Studio 的部分停止更新維護了…新版的微軟機器學習相關服務－Azure Machine Learning，因為功能更多，在設定操作上比較複雜，過程中要解釋軟體部署(Software Deployment)概念，所以後來就先跳過了。不過想要了解 Azure Machine Learning 的人可以從在上面建一個手寫數字辨識系統服務開始，官網上有框架用 CNTK 的教學。

Azure Machine Learning Studio(classic) 的操作介面。圖片來源：【人工智慧線 02】機器學習新手入門工具 Azure Machine Learning Studio