在本文中，我列出來的幾個步驟，可以幫助大家完成機器學習項目，并檢查每個任務是否已成功執行。

正如阿圖爾·加萬德在他的書《清單宣言》中所說，

我們所知東西的數量和復雜性已經超過了我們個人正確、安全或可靠地提供其收益的能力。

下面這份簡潔明了的項目行動任務清單將減少你的工作量，提高你的產出。

每個ML項目中，我們都要執行8-10個步驟。其中有一些步驟可以按順序交替執行。

1、從高層次的角度定義問題

這是為了理解和闡明問題的業務邏輯。它應該告訴你：

• 問題的性質（有監督/無監督、分類/回歸）
• 可開發的解決方案類型
• 應該使用什么指標來衡量績效？
• 機器學習是解決這個問題的正確方法嗎？
• 手動解決問題的方法
• 問題的內在假設

2、識別數據源并獲取數據

在這一步中，我們可以先用這個步驟來定義問題。

根據問題的定義，我們需要確定數據的來源，可以是數據庫、數據存儲庫、審查程序等。對于要在生產中部署的應用程序，應通過開發數據管道來自動執行此步驟，以保持傳入數據流入系統。

• 列出所需數據的來源和數量。
• 檢查空間是否會成為一個問題。
• 檢查你是否有權將數據用于個人目的。
• 獲取數據并將其轉換為可操作的格式。
• 檢查數據類型（文本、分類、數字、時間序列、圖像）
• 取一個樣品做最后的測試。

3、數據的初步探索

這是你研究影響結果/預測/目標的所有特征的步驟。如果你有一個龐大的數據庫，在這個步驟中對它進行抽樣，使分析更易于管理。

應遵循的步驟：

• 使用 jupyter notebooks，因為它們提供了一個簡單直觀的界面來研究數據。
• 確定目標變量
• 識別特征類型（分類、數字、文本等）
• 分析特征之間的相關性。
• 添加一些數據可視化，以便于解釋每個特性對目標變量的影響。
• 記錄發現。

4、探索性數據分析以便準備數據

接下來，我們將通過定義數據轉換、清理、特征選擇/工程和縮放功能來執行上一步的發現。

• 編寫函數來轉換數據并自動處理即將到來的數據批處理過程。
• 編寫清除數據的函數（輸入缺失值并處理異常值）
• 編寫函數來選擇和設計功能-刪除冗余功能、功能的格式轉換和其他數學轉換。
• 特征縮放-標準化功能。

5、開發基準模型，然后探索其他模型以便篩選出最佳模型

創建一個非常基本的模型，作為其他復雜機器學習模型的基準。主要步驟包括：

• 使用默認參數訓練一些常用的機器學習模型，如naivebayes、線性回歸、SVM等。
• 測量并比較每個模型與基線和所有其他模型的性能。
• 對每個模型采用N倍交叉驗證，并計算N個折疊上性能指標的平均值和標準差。
• 研究對目標影響最大的特征。
• 在預測誤差的同時分析模型的類型。
• 以不同的方式設計功能。
• 重復上述步驟幾次（反復試驗），以確保我們使用了正確格式的正確功能。
• 根據模型的表現情況，篩選出最優模型。

6、微調入選模型并檢查整體方法

這將是我們接近最終解決方案的關鍵步驟之一。 主要步驟應包括：

• 使用交叉驗證進行超參數調整。
• 使用諸如隨機搜索或網格搜索之類的自動調整方法，為我們的最佳模型找出最佳配置。
• 測試整體方法，例如投票分類器等。
• 用盡可能多的數據測試模型。
• 最終確定后，請使用我們在一開始就保留的看不見的測試樣本來檢查過擬合或欠擬合。

7、記錄代碼并傳達你的解決方案

溝通的過程是多方面的。 我們需要牢記所有現有和潛在的利益相關者。 因此，主要步驟包括：

• 記錄代碼以及整個項目的方法和過程。
• 創建儀表板，例如voila或具有自我解釋的可視化效果的演示文稿。
• 寫博客/報告，記錄您如何分析功能，測試不同的轉換等。記錄你的學習成功（失敗的方法和有效的技術）
• 總結主要結果和未來的應用范圍（如有）

8、在開發環境中部署監視器模型--Monitor！

如果你的項目需要在實時數據上進行測試和部署，則應創建一個Web應用程序或 REST API，在所有平臺（Web，Android，iOS）上使用。 主要步驟（會因項目而異）包括：

• 將最終訓練好的模型保存到h5或pickle文件中。
• 使用Web服務為模型服務，你可以使用Flask開發這些Web服務。
• 連接輸入數據源并設置ETL管道。
• 使用Pipenv，Docker / Kubernetes管理依賴項（基于擴展要求）
• 你可以使用AWS，Azure或Google Cloud Platform部署服務。
• 監控實時數據的性能，或僅供人們使用你的模型和數據。

注意：可以根據項目的復雜性來調整清單。