物聯網的應用非常的廣泛，只要物體可以透過感應器 (Sensor) 收集監測到的訊號或資訊，提供到裝置管理平台再連結到應用程式處理後，反饋出特定的決策再指示原始物件做進一步動作的領域都是可能的應用場域，這些智慧或智能的核心都倚賴以機器學習為主的預測分析 (Predictive analytics)。
資料分析的議題除了以機器學習為核心外，還有資料超載與新的因素加入時系統如何快速回應等問題。試想，物聯網中的連網的裝置無時無刻都在收集資料，時間久了自然會造成資料超載問題，僅僅依靠人力必然無法進行即時的分析和利用。

　　好的物聯網平台層都應該提供具備機器學習功能的數據分析系統，幫助連結到這個物聯網平台的各種物聯網應用方案能夠分析感應器資料，尋找相關性，並做出最佳回應。（from：techorage）Azure 機器學習不僅提供可建立預測性分析模型的工具，也提供完全受管理的服務，您可以透過這項服務將預測性模型部署為可供取用的 Web 服務。Azure MachineLearning 提供可在雲端上建立完整預測性分析解決方案的工具：您可以快速地建立、測試、操作及管理預測模型。您不需要購買任何硬體，或手動管理虛擬機器。在本課程中，我們將會介紹如何運用 Azure Machine Learning 搭配 Azure 雲端數據源，以及建構預測模型，並且將模型發布為 Web Services 與應用程式相互整合。

《第一天》

1. 敘述統計學 ( 機率論 / 信賴區間.. )
2. 迴歸

《第二~四天》（三天課程）：

1. Microsoft Azure 介紹 ( 以學術及商業常用功能為主)：

• Azure 功能瀏覽：（VM/WEB Services...）
• Web 網頁應用程式免費 "快速建置各種"
• Azure ML API 免費功能介紹

2. 機器學習概論及目前應用：

• 機器學習 簡介/ 目前應用
• 機器學習中選擇適合的演算法
• 機器學習 (Machine Learning) 與大數據（Big Data）整合應用

3. 資料取得的常見問題：資料擷取 / 整理
4. 外部資料取得及匯入:
　a. Web/Open data (JSON 格式)
　b. 資料擷取 / 整理實務：

• 尋找及連接各式各樣來源的資料及實務：（CSV）
• 資料載入後，合併及重塑資料來源，以符合您的資料分析需求　　
• Power Query 實務範例：( 合併多個資料來源的資料)

5. AzureML 實務 (Hands On 2)：開始使用 Azure ML

• Machine Learning Studio 互動式工作區
• 名詞解釋
• 開始使用
• 啟用你的 ML 工作區域

6. AzureML 實務 (Hands On 3)：建立第一個實驗

• 建立一個新的實驗
• 建立模型 ( 訓練/ 評分/ 評估)
• 將預測實驗部署為 Web 服務

7. AzureML 實務 (Hands On 4)：客制化UI 設計

• 為什麼要建立客制化 UI 設計
• C# console app sample code
• 使用 ASP.NET Web API 建立網頁服務

8. AzureML 實務 (Hands On 5)：Regression analytics 回歸分析

• Azure Machine Learning linear regression 範例
• 建立預測模型

《第五天》

• 結合Open Data 進行預測模型建置及實際應用 （Ubike 租車範例）