前面有几篇说，拉一拉就好，连阿骂都会用.....
这也太扯了，就像 excel 、 spss，也是拉一拉就好了，
那写 R、Python 的是??? 写 code 就是有他的强项阿
况且你还要连 SQL ，甚至从 hadoop 捞 data ，阿骂这么强？？
就不讲 data cleaning 了
确实目前工具很完善，随便都能做分析，做的很烂而已，
没做 feature engineering 的分析，顶多发硕论混毕业而已
feature engineering 绝对无法使用拖拉接口做出来，
以我做 Kaggle 上的 库存销售预测、购物篮分析、生产线分析 来说
feature engineering 完全不同，这需要一些经验，
特别是，书上都不会教你这些，只能靠实作累积经验
大家都用相同的 model，凭什么比别人好? 在 Kaggle 上这点就很明显，
你的 feature engineering 怎么做才是重点，
甚至是做 n-fold 去确保模型稳定，你不是靠运气选到好的 testing data
做 feature selection 找出关键变量，找出哪个制程影响最大、出问题，
再回去修正你的机台
用 ML 分析 data 也只是 data mining 的一小部分，
你要如何视觉化呈现？套件很多没错，那你要如何选择？要如何解释？
不是分析完就没事了，
Kaggle 比较著重在分析，但事前的 data 收集、data cleaning 所花的时间，
是分析的两三倍以上，原始 data 是非常脏的，
不同部门没整合就不用说了，变量命名不同，日期格式不同等等，会弄到崩溃
最后，单就 Kaggle 来说，依然有非常多企业丢出 data，丢出问题要你解决，
特别是目前 ML model 还在进化中，
最近 5 年出现的 XGB 打趴一堆 RF、SVM、GB 等，
同样问题，过去无法商业化，因为模型改进，未来有可能达到商业化的程度
比较可惜的是，台湾真正在做的很少，学校就不用讲了，一堆骗计画的，
不少研究生也说自己做过 ML ，用 SVM ，却连 Kernel 都不知道，
遇到 missing value 怎么处理?
特别是学校碰到的 data 都只是玩玩罢了，data 小就算了，
有些做二元分类连 imbalance 也不懂
另外国外这方面的职缺还是不少
在 kaggle 提供相关征才中，就有超过 20 家公司需要这方面的人才
https://www.kaggle.com/jobs
如果你只会拉一拉，调调参数，那不叫做资料科学