جریان‌کاری پروژه‌های یادگیری ماشین!

http://tiny.cc/3rqo8y

یکی از مولفه‌های مهم جهت موفقیت در پروژه‌های یادگیری ماشین، بهره‌گیری از متدولوژی و جریان‌های کاری دقیق جهت مدیریت پروژه است. در ادامه گام‌های لازم جهت پیاده‌سازی مدل‌های تحلیلی مبتنی بر یادگیری ماشین ذکر شده‌اند.

1- شناخت نیازمندی‌های کسب‌وکار

2- شناخت و آماده‌سازی داده

3- مهندس ویژگی‌(استخراج و انتخاب ویژگی)

4- آموزش مدل یادگیری ماشین براساس داده‌های Train

5- بهینه‌سازی پارامترهای الگوریتم براساس داده‌های Validation

6- ارزیابی مدل براساس داده‌های Test

7- توسعه محصول

8- بهره‌برداری در پروژه‌های عملیاتی

9- ارزیابی نهایی مدل در محیط واقعی

10- کسب بینش ناشی از تحلیل‌های داده‌محور

پی‌نوشت:
1- مهمترین گام در جریان‌کاری فوق شناسایی نیازمندی‌های کسب و کار می‌باشد. عدم شناخت دقیق و کافی از نیازمندی‌های کسب‌وکار از رایج‌ترین دلایل شکست‌ پروژه‌های علم‌داده و یادگیری ماشین بوده است.
2- بیشترین زمان یک پروژه یادگیری ماشین مربوط با گام شناخت و آماده‌سازی داده می‌باشد. در صورت عدم وجود زیرساخت مناسب و چالش‌های مدیریت کیفیت داده این گام سبب صرف انرژی زمانی زیاد در پروژه‌های تحلیل‌داده می‌شود.

ارادتمند
محمدرضا محتاط

@DataAnalysis