前面有幾篇說，拉一拉就好，連阿罵都會用.....
這也太扯了，就像 excel 、 spss，也是拉一拉就好了，
那寫 R、Python 的是??? 寫 code 就是有他的強項阿
況且你還要連 SQL ，甚至從 hadoop 撈 data ，阿罵這麼強？？
就不講 data cleaning 了
確實目前工具很完善，隨便都能做分析，做的很爛而已，
沒做 feature engineering 的分析，頂多發碩論混畢業而已
feature engineering 絕對無法使用拖拉介面做出來，
以我做 Kaggle 上的 庫存銷售預測、購物籃分析、生產線分析 來說
feature engineering 完全不同，這需要一些經驗，
特別是，書上都不會教你這些，只能靠實作累積經驗
大家都用相同的 model，憑什麼比別人好? 在 Kaggle 上這點就很明顯，
你的 feature engineering 怎麼做才是重點，
甚至是做 n-fold 去確保模型穩定，你不是靠運氣選到好的 testing data
做 feature selection 找出關鍵變數，找出哪個製程影響最大、出問題，
再回去修正你的機台
用 ML 分析 data 也只是 data mining 的一小部分，
你要如何視覺化呈現？套件很多沒錯，那你要如何選擇？要如何解釋？
不是分析完就沒事了，
Kaggle 比較著重在分析，但事前的 data 收集、data cleaning 所花的時間，
是分析的兩三倍以上，原始 data 是非常髒的，
不同部門沒整合就不用說了，變數命名不同，日期格式不同等等，會弄到崩潰
最後，單就 Kaggle 來說，依然有非常多企業丟出 data，丟出問題要你解決，
特別是目前 ML model 還在進化中，
最近 5 年出現的 XGB 打趴一堆 RF、SVM、GB 等，
同樣問題，過去無法商業化，因為模型改進，未來有可能達到商業化的程度
比較可惜的是，台灣真正在做的很少，學校就不用講了，一堆騙計畫的，
不少研究生也說自己做過 ML ，用 SVM ，卻連 Kernel 都不知道，
遇到 missing value 怎麼處理?
特別是學校碰到的 data 都只是玩玩罷了，data 小就算了，
有些做二元分類連 imbalance 也不懂
另外國外這方面的職缺還是不少
在 kaggle 提供相關徵才中，就有超過 20 家公司需要這方面的人才
https://www.kaggle.com/jobs
如果你只會拉一拉，調調參數，那不叫做資料科學