這領域主要分為二大類：
(A)玩資料的人：具有想像力能找出資料間的關聯性，挖掘出有用的智慧。
能使用Machine learning提供訓練好的模型讓企業做應用(推薦系統)，
或者直接給出一個結論(啤酒尿布)。
有興趣的話可以參加台灣資料科學年會，會看到有趣的範例和應用。
這塊領域比較偏向學術，需熟悉統計學和演算法，能知道每種演算法該如何應用。
如果不是國立大學研究所畢業，或者沒有在這領域闖出名堂的人，很難進入。
(B)提供資料的人：建立穩定、可儲存大量資料的系統，使用ETL提供乾淨的資料給A
做Machine learning。
這部份又分為
(a)使用昂貴、封閉的大型伺服器系統。ex：data warehouse
(b)使用Open Soucre、用一般電腦做分散式運算的系統。ex：Hadoop、Spark
大數據會熱門，是因為網際網路、手機、電腦的普及加上互聯網的推動，
讓人察覺龐大數據背後的價值。加上Hadoop、Spark、R的出現，讓人覺得
玩Machine learning不再只是有錢人的權利。
學了幾個月Hadoop、Spark的心得是：這東西其實是個坑，學這東西需要很好的
英文、Linux、Java、網路架構、資料庫知識。絕對不是無腦一直按下一步就可以
建立好的系統。而且它們還未達商品化的標準，系統不穩定又難維護。
系統出問題爬Linux、追SoucreCode是必經的過程。
想學好它們consultant是避免不了，上課也跑不掉，弄一弄又是幾十萬的開銷。
那公司為什麼要花一大筆錢讓你去上課去研究Hadoop、Spark?
Hadoop、Spark不是唯一解，把基本功練好(英文、Linux、程式語言)才是唯一方法。
傳統公司的思維是：我花了多少錢，可以拿到什麼產品賺多少錢。
但是玩Machine learning的下場常常是：我花了一大筆錢，分析出來的結果是0。
願意玩Machine learning的公司大多是：已經發展的很成功，為了要維持競爭力
撥一筆研究經費來試試看的類型。
在台灣玩Machine learning的人已經非常多，學術機構、銀行、電信都有。
玩資料就是踏入漫長的道路，沒人敢說自己很成功如果成功早就是Google第2了。
結論：
1)想學1、2門課就一步登天，年薪百萬是不可能的。想進入這領域靠得還是
學歷、基本功、機緣。
2)會要求MS-SQL是希望面試的人能有一定的基本功，會自已做ETL，
而且在做資料分析之餘還能幫忙分攤一些基本的工作。
3)投入這領域的人已經非常多，唸得出來的企業都有，只是大家都很低調。