資料分析流程(Data Analysis Process):
這裡的資料分析指的是想要分析某個商業上的問題，透過資料和統計方法來評估和解釋數據資料，在其中找到有效的方法來解決商業上的難題，而在商業分析上的流程為：
- 定義商業目標：明確的定義想解決的商業問題。
- 蒐集資料： 收集與問題相關所需要的資料，資料的來源可能會是公司內部（例如財務報表）或是外部資料（例如市場調查、競爭分析等）。
- 數據清理和預處理： 處理缺失值等不完整資料，後續進行資料轉換或縮放等格式轉換。
- 探索性資料分析(EDA)： 通過統計圖表和視覺化工具進行資料的探索性分析，用來理解資料原始的分佈、相關性或趨勢。
- 建立模型與評估模型：選擇適當的統計模型或機器學習方法，最終評估模型的性能。
- 模型解釋和優化： 分析模型的結果，進行模型的解釋和持續優化。
- 制定模型建議與策略： 基於分析的結果，制定具體的建議和策略，以實現業務目標。
- 持續監控和評估： 實施模型的實施計劃後，定期監控結果，進行評估和調整。
機器學習流程(Machine Learning Process):
- 定義問題類型： 定義問題屬於監督式學習、非監督式學習還是強化學習等等問題的種類。
- 資料準備： 將資料進行預處理，包含缺失資料處理等等，進行資料轉換或縮放格式轉換。
- 選擇模型： 選擇合適的機器學習模型，例如決策樹、支持向量機、神經網絡等。
- 訓練與驗證模型： 使用訓練資料擬合模型，調整模型的權重和參數，並驗證模型的性能。
- 測試模型： 使用測試資料來評估模型的泛化能力，確保模型的預測仍有相當的能力。
- 模型解釋和優化： 解釋模型的預測結果與表現，持續進行模型的優化，提高預測準確性。
- 部署模型： 把模型應用於實際環境中，以解決現實世界的問題。
比較兩種分析流程的共通之處
看完了資料分析流程與機器學習流程的架構後，可以發現兩著之間的相同處有:
- 定義問題
- 蒐集和準備資料
- 建立模型、驗證模型
- 模型解釋和優化
所以可以發現，所有的分析在最一開始最重要的事情一定就是定義問題，明確定義出問題後，就可以開始蒐集資料，資料蒐集完成後，將蒐集的資料進行預處理和格式的轉換，最後選擇適合的模型來進行建模，並針對建立模型後的結果進行解釋和持續性的優化，也就是身為資料分析工作者每天會面對到的挑戰。
其實機器學習只是在資料分析當中的其中一種分析方法，另外還有其他像是統計、金融、數學等等的模型，在這因為麥特是使用機器學習進行研究的，所以會針對機器學習的研究流程來跟大家說明。
在上述有提到的幾個步驟，後續麥特會在別篇文章當中進一步的示範給大家看，我是如何進行每一個環節的任務，其中有以下幾點:
- 數據清理和預處理
- 探索性資料分析
- 特徵工程
- 建立模型
- 評估模型
- 模型解釋和優化
希望本篇的內容可以幫助到第一次認識資料分析流程的讀者，來了解基本的資料分析&機器學習流程，希望可以將自身在機器學習領域的知識分享給大家，一起在有趣的資料當中探險吧 !