Отсутствие стандартизированной модели процесса разработки в области машинного обучения приводит к плохо организованным инициативам, противоречивым результатам и использованию специальных методов.
Чтобы устранить эту проблему, недавно был предложен межотраслевой стандартный процесс разработки приложений машинного обучения с методологией обеспечения качества (CRISP-ML(Q)).
Модель CRISP-ML(Q) делит жизненный цикл разработки на шесть основных этапов, которыми руководствуются специалисты по машинному обучению.
Модель процесса `CRISP-ML(Q)` описывает шесть фаз:
1. Понимание бизнеса и данных
2. Подготовка данных
3. Построение модели
4. Оценка модели
5. Развертывание
6. Мониторинг и обслуживание
Этапы процесса разработки ML должны выполняться в определенном порядке, но рабочий процесс по своей сути является итеративным и исследовательским, и предыдущие этапы, возможно, потребуется пересмотреть на основе результатов последующих этапов.
Давайте подробно рассмотрим этапы CRISP-ML(Q);
- Понимание бизнеса и данных:
I) Бизнес-понимание: это самый первый этап проекта, на котором вы будете работать с основными требованиями проекта и должными знаниями и результатами проекта.
Это:
- Бизнес-цель
- Ограничение бизнеса
- Критерии успеха в бизнесе
- Критерии успеха машинного обучения
- Критерии экономического успеха
- Устав проекта (Это первый документ, который готовится для любого проекта)
II) Понимание данных. Понимание данных — это процесс изучения и понимания типа данных набора данных, источников и другой соответствующей информации.
- Типы данных (дискретные, непрерывные, перекрестные и т. д.)
- Сбор данных (первичные и вторичные источники данных)
Для следующего этапа следите за обновлениями, а затем подписывайтесь на меня в LinkedIn.