机器学习生命周期解释

Habib01

机器学习生命周期
我们倾向于认为机器学习 (ML) 项目涉及数据处理、训练和部署模型。但它们的意义远不止于此。

我们需要业务和数据理解、数据收集技术、数据分析、模型构建和模型评估。另外，实施后，我们需要不断的监控和维护。   

机器学习生命周期由为机器学习项目提供结构并有效划分公司资源的步 希腊数据 骤组成。遵循这些步骤可以帮助公司创建可持续、盈利且优质的人工智能产品。

在这篇文章中，我们将使用跨行业标准流程 (CRISP) 来开发具有质量保证方法 ( CRISP-ML(Q) ) 的机器学习应用程序，以解释机器学习生命周期的每个步骤。 CRISP-ML(Q) 是创建可持续机器学习应用程序的行业标准。

标准机器学习生命周期的 6 个步骤：
规划
数据准备
模型工程
模型评估
模型实现
监督维护
机器学习周期的每个阶段都遵循质量保证框架，以不断改进和维护，严格遵循要求和限制。通过阅读CRISP-ML(Q)博客了解有关质量保证的更多信息。

对于非技术人员和管理人员，请查看我们的“了解机器学习基础知识”短期课程。它将帮助他们了解一般的机器学习、建模和深度学习 (AI)。您还可以在另一篇文章中探讨人工智能和机器学习之间的差异。

1. 规划
机器学习项目规划

作者头像

规划阶段涉及评估 ML 应用程序的范围、成功指标和可行性。你必须了解业务以及如何使用机器学习来改进当前流程。例如：我们需要机器学习吗？我们可以通过简单的编程得到类似的请求吗？

您还必须了解成本效益分析以及如何在各个阶段交付解决方案。此外，您必须为业务、机器学习模型（准确性、F1 分数、AUC）和经济性（关键绩效指标）定义清晰且可衡量的成功指标。

最后，您必须创建一份可行性报告。

它将包含以下信息：