上圖是透過機器將原圖生成玩具圖片，原圖是沒有戴眼鏡的。 未來會有非常多的機器學習應用來到我們的生活中。

機器學習是 將 我們已經會的東西，交給機器去執行，而不是我們都不知道怎麼做，就要造出神一般的機器來執行。
如果一個機器學會一個人的技能，另一個機器學會另一個的技能，將所有不同機器的已學會技能融入為一體，那就是融合的集大成的技術，才有可能真正超越人類。所以將不同人類個體訓練出的機器融合，某種意義上也相對是將每個優秀職人的優點集合成一個趨近完美的腦袋。

所以，將不同領域的人拉進來訓練機器，會是一個趨勢方向，但要如何讓這些人也能進來做機器學習? 這就是本系列的一個主要目標，就是讓不同領域的優秀人才，都沒有碰過機器學習的人可以從基礎學起，進而有機會踏入機器學習的領域，透過入門最少要學會的東西。若未來如果忙其它事後再回來，在回憶的過程，可以透過這些筆記節省回想時間。

而在這系列機器學習中，類神經網路與Keras套件之運作，此二的比例會占多一點。因為類神經網路概念與Keras可以彈性地做建構與調整，更能激盪出不同的效果。

有時因為繁忙，處理了很多事情，也忘了現在是在哪個平行宇宙，就真的也忘了某件事的初衷是什麼。所以，在這個領域筆者認為，動機是踏入某個領域最佳的鑰匙，就是找到動機與初衷，自然就有動力與熱情。

如果真的想短時間從無到入門，有初步體驗，進而繼續看懂其它專業文章或書籍，然後可以讓機器學會為你做事，基本功的建立是不二法門。所以筆者認為有一套SOP是建立基本功的過程，當有了基本內功，不會因為以下障礙阻礙了前進:
 (1) 沒有程式經驗
 (2) 不熟開發軟體
 (3) 數學概念難理解
 (4) 沒有創新的意念與動機
 (5) 看不懂相關技術文章
 (6) 熱情被種種困難抵銷了

換個角度試著想想，如果要找幫手，或培養相關人員來協助幫忙，會怎麼做?
重點是，如何從0開始? 但如果有個階段式的學習地圖，是不是比較有方向? 以不會很深入的方式，讓什麼都還不知道該怎麼做、非此領域的人可以入門，至少有個方向可以前進去克服。

而通常有效的突破關鍵，都是跨領域的創新點子。
當然一切從基本，也就是機器學習開始，教會機器的技能後，才足以往AI前進。過程會圖解一些內容，加速理解。

那，較有效且快速的順序是什麼? 一般會從數學開始吧? 不認為是這樣。因為一開始碰數學，可能就熱情消耗掉了。一開始可以動起來，試著去實作一些東西，或試著在生活上有點連結，有了體驗，在踏入也不遲。了解運用與體驗後，再回頭看數學概念，會恍然大悟，所以透過回顧後就很難忘記。