一开始因为不太清楚怎麽理解ML的学习脉络，而盲目的乱看各种数学模型的基本原理，以及训练用的参数和函式怎麽挑选等等，甚至回头念了一段统计，试图从中挑选最好的方式，来规划和实作我们的题目。

这个方式现在回头来看有点不太好，即使念的东西都有用，而且统计的概念对於过程和结果理解也真的有所帮助，但工作实务上应该先走最有效率的路线，先求有再求好。

所以挑选题目之後，除了纳入考量的参数之外，模型的选定也很重要，自己主观认为应该先透过单一模型的练手，再追求其他模型的知识理解与精进。

如上图，AI的领域大致如此划分，我们从ML的部分进入，在尚未要求处理更复杂的问题，或者商业需要更精准的答案之前，可以先不要夸入Deep learning的领域。

常听到类神经网路的部分(Deep Learning)，对於我们这种小白，认真希望导入ML的考量下，其实不希望在未经历过基础训练之前，就直接跨入比较进阶的领域，因此这部分考虑就先不看。

基本入门，其实就从监督式学习开始，根据决定的命题，从「回归」(连续型的数值) 和「分类」(离散型的资料)，选定要套用的模型，或者尝试不同模型，取其最好的部分往下走。

然而「回归」和「分类」的适用性不同，不能够拿做「分类」的模型，去做「回归」的题目，反之亦然。

所以决定好了题目，再挑选模型来研究和学习，其实是对於我们这种有成果压力的小白工程师比较好的选择，根据题目是需要「回归」还是「分类」的类型先研究，等有余力或者题目改变了，再去了解另外一种类型的模型。

这两个种类其实有很多种模型，以下只是粗略列出常见的选项：

回归(regression)

常见的选用模型：

线性回归

多项式回归

分类(classification)

常见的选用模型：

决策树

支援向量机

贝叶斯