現在想學習影像辨識的人，都一定會被引導說：機器學習、類神經網路甚至所謂的深度學習很重要！不懂這些東西好像根本就是影像辨識的外行人？不會用這些東西根本不能稱為影像辨識的專業人士？但真是如此嗎？我的想法正好相反！初學影像辨識的人，根本不需要，也不應該花時間學這些東西！機器學習是你實在沒有辦法精確解析問題時，最後不得已時才應該用到的下策！

雖然在複雜的問題上，我們可以藉著機器學習很快的達到一定的辨識正確率，但是要「學習」就必須有資料，而且是有「答案」的資料(類似題庫)！我試過請工讀生用人眼辨識上萬張的車牌照片，來建立「有答案」的資料集，即使每天上班很認真，也足足花了兩三個禮拜！

所以大家首先必須認知：機器學習是很昂貴的問題解決方式！建立有答案的大量資料要很多人力，大量運算需要很好的電腦設備，「機器」在「學習」的期間，研究人員也要陪著反覆分析資料，他們也是要領薪水的！所以機器學習要玩得好，絕對需要很多錢與時間，窮人是根本玩不起的！

要很有錢只是第一個關卡，所謂機器學習的工作模式就是一開始「先猜公式」，再用程式反覆測試來「猜參數」，經過很多的嘗試錯誤終於建立了一套公式與參數，可以達到最高的辨識率！但是連操作的人自己也不太知道為什麼應該用這一組公式？為什麼參數1.88會最好？1.85就差很多？就跟問老師傅很多技術問題一樣，沒道理！說不上來！反正就是「經驗」嘛！

經驗不是沒價值，只要能將事情做好就有價值！但經驗是：知其然不知其所以然的東西！當問題的性質與範圍改變時，我們不知道如何簡單的修改系統就能適應新的小變化！沒辦法，只好將成本極高的訓練工作全套重來一次，還要加入更多新出現的新型態資料哦！就是花更多錢與時間來「升級」系統的意思，我的媽呀！你家是錢太多哦？

我沒這麼多錢與時間，所以我始終沒認真用過機器學習的方式解決任何影像辨識的問題，作影像辨識業務好多年了，公司照開研發照作，新案子與升級改版不斷，沒用機器學習反而是我的優勢！因為：我研發的每一行程式我都明確知道它的效果，以及我為什麼這麼寫！新案例情況出現時，我直接找到關鍵點加減幾行程式，修改一兩個副程式，從流程圖中移動一兩個程序，新的客製化軟體就成形了！再拿幾十個關鍵案例測試調整一下就可以出貨了！

重點是：我始終知道自己在幹甚麼！機器學習崇尚的卻不是這樣，他們很樂於見到：不知道怎麼作到的「神奇」學習結果！我常常覺得很多人喜歡機器學習，不是因為他們特別聰明努力想學習新技術，而是想偷懶！不必傷腦筋正面解析複雜的問題，讓電腦跑一跑就有答案了！不是很好嗎？

我的建議是：初學影像辨識的人應該先認真學好物理與數學，充分理解需要辨識的目標影像特性，老老實實的根據課本上的影像辨識原理寫程式進行辨識，辨識失敗就認真分析為何失敗？改過再試！實在分析不出來，找高手問也沒答案時，或許你可以考慮用機器學習的方法工具猜猜看！

總之，以我幾年來的影像辨識執業經驗，怎麼看都不認為機器學習在這個領域應該有甚麼優先或優勢地位，作影像辨識真正重要的知識技術當然是：物理、數學與程式技巧！機器學習應該排在這些學習次序的最後一項！甚至完全不會也沒啥關係！

如果有人想跟我打筆戰，麻煩您先開一間公司，接過七八個影像辨識的案子，好好用機器學習賺點錢之後再開打！在此之前我不會作任何回應的！