摘自《機器學習實戰 基於sklearn、keras和tensorflow 第2版》 附錄b中的機器學習專案清單，用於自查
4.對於有監督學習任務，請確定目標屬性。
5.視覺化資料。
6.研究屬性之間的相關性。
7.研究如何手動解決問題。
8.確定你可能希望使用的轉變。
9.確定有用的額外資料。
10.記錄所學的知識。
1.資料清理：
2.特徵選擇（可選）：
3.特徵工程（如果適用）：
4.特徵縮放：
1.使用標準引數訓練來自不同類別（例如線性、樸素貝葉斯、svm，隨機森林、神經網路等）的許多快速和粗糙的模型。
2.衡量並比較其效能。
對於每個模型，使用n折交叉驗證，在n折上計算效能度量的均值和標準差。
3.分析每種演算法的最重要的變數。
4.分析模型所犯錯誤的型別。
5.快速進行特徵選擇和特徵工程。
6.在前面5個步驟中執行一兩個以上的快速迭代。
7.篩選出前三到五個最有希望的模型，優先選擇會產生不同型別錯誤的模型。
1.使用交叉驗證微調超引數：
2.嘗試使用整合方法。組合最好的模型通常會比單獨執行有更好的效能。
3.一旦對最終模型有信心，就可以在測試集中測量其效能，以估計泛化誤差。
注意：在測量了泛化誤差之後，請不要對模型進行調整：否則你會開始過擬合測試集。
3.說明你的解決方案為何可以實現業務目標。
4.別忘了介紹你一路上注意到的有趣觀點。
5.確保通過精美的視覺化效果或易於記憶的陳述來傳達你的主要發現（例如，「中等收入是房價的第一大**指標」）。
3.定期根據新資料重新訓練模型（盡可能自動進行）。
機器學習專案清單
開頭註明 內容大部分來自機器學習實戰 基於scikit learn和tensorflow 一 架構問題，關注藍圖 1.定義當前目標 2.思考解決方案 3.是否可以重用他人的經驗與工具 4.盡可能獲取幫助 二 獲取資料 1.列出資料及其體量 2.查詢並記錄獲取資料的途徑 3.檢查需要的空間 4.檢查法...
機器學習專案流程清單
這份列表可以知道你部署自己的機器學習專案。總共有八個步驟 首先你要有乙個要解決的問題 獲取解決問題需要的資料 探索資料，對資料有乙個清楚的理解 預處理資料以便更好地輸入給機器學習演算法 探索不同的模型並且找到最好的那個 調整你的模型引數，並將這些引數組合成乙個更好的解決方案 展示你的結果 對你的系統...
機器學習實戰
花了一段時間，總算把 機器學習實戰 粗讀了一遍，重點就在這個粗讀上。這本書的確不錯，機器學習的幾個經典演算法都涉及了，每個演算法都有1 2個實際例子進行說明，都有實實在在的 讓我想起了linus的 talk is cheap,show me the code 那句名言。但多年來養成的習慣，從來都是喜...