如何做机器学习项目规划？一个事半功倍的checklist
一只小狐貍帶你解鎖 煉丹術&NLP?秘籍
前言
在接到一個新項目的時候，對其進行合理的安排和規劃往往會有事半功倍的效果。
下面是從規劃30 多個機器學習項目的經驗中，提煉出的一個簡單有效的checklist。一起來看看叭~
項目動機
明確你的項目的更廣泛的意義。
你要解決的問題是什么？What is the problem you want to solve?
相關聯的目標策略是什么？
如果項目團隊不理解你的動機，那么他們就很難提出好的建議。有很多方法可以解決機器學習的問題。所以幫助你的團隊以你最感興趣的方式工作——退一步告訴他們為什么這個項目是重要的。
問題定義
你想要預測的具體輸出是什么？
對于給定的輸入，你的機器學習模型將理想地學會預測非常具體的輸出。所以這里你要盡可能的清楚。“預測機器故障”可能意味著很多事情 —— “告訴我，在未來24小時內，意外停機的風險何時增加 50%以上”更好。
你的算法有什么輸入數據？
模型預測輸出的唯一方法是從模型的輸入因子中派生出來。所以，為了有機會做出好的預測，你必須有與輸出相關的數據。數據越多越好。
什么是預測你的具體輸出的最相關因素?
算法不能理解我們的世界。重要的是，你要給數據科學家一些提示，告訴他哪些數據實際上是相關的，這樣他就可以用算法能夠理解的方式選擇和分割數據。
你能提供多少訓練樣本 ?
一個算法需要的練習比一個人要多得多。你最少需要 200 個樣本。越多越好。
性能度量
你怎么知道什么是好的結果？
你有一個簡單的基準測試來比較你的結果嗎?
有沒有一種簡單的方法來利用你已有的數據進行預測？也許你可以根據去年的數字預測銷售額，或者通過計算客戶上一次登錄后的天數來評估客戶離開的風險。一個簡單的基準測試可以為你的團隊提供有價值的問題洞察力。它給你一些東西來衡量模型。
你將如何衡量預測的準確性 ?
你期望的最低準確度是多少?
你希望預測的準確率平均在 5% 以內，還是更重要的是預測誤差不超過 10%？你的模型可以以任何一種方式進行調優。哪種方式更好取決于什么對你來說是重要的。
一個完美的解決方案是什么樣的？
即使這對你來說是顯而易見的，把它寫在紙上也能幫助你理清思路。
是否有參考解決方案(如研究論文)？
如果有人以前解決過類似的問題，就把他們的解決方案當作靈感。這為每個人提供了一個共同的起點，這樣他們就可以看到要使用哪些數據，可能會出現哪些問題，以及要嘗試哪些算法。
時間線
一個性能驗證項目的時間線示例。
是否有截止日期需要注意？
你什么時候需要看到第一個結果？
你想什么時候有一個完整的解決方案？
人工智能解決方案可以無限地改進。明確的最后期限有助于讓團隊集中精力。
聯系人
誰負責項目(PM)？
誰可以授權訪問數據集？
誰能幫助理解當前的流程和/或簡單的基準測試(領域專家)？
在一個項目的過程中會出現許多問題。明確你的工程師可以向誰求助。
合作
在業務和工程團隊之間建立一個雙/周的更新。
每周安排一次會議來查看當前的結果，并討論那些不需要通過電子郵件來回答的問題。
應該涉及誰 ?
他們應該學什么？
在學習如何管理人工智能方面，沒有什么比實際項目的實踐經驗更有價值。如果你想讓你的團隊的其他成員學習，從一開始就要說清楚。
定義代碼和問題的位置以及如何訪問代碼。
讓所有的開發從一開始就透明。這樣任何人都可以很容易地加入，給出提示，并檢查進展。
回答這個清單上的問題，并與大家分享
世界仍在研究如何最好地運行人工智能/機器學習項目。填寫這份清單將會給你所有成功的機器學習項目的要素之一：理解。
可
能
喜
歡
斯坦福大學最甜網劇：知識圖譜CS520面向大眾開放啦！
Google|突破瓶頸，打造更強大的Transformer
ACL2020|對話數據集Mutual：論對話邏輯，BERT還差的很遠
ACL2020|FastBERT：放飛BERT的推理速度
LayerNorm是Transformer的最優解嗎？
13個offer，8家SSP，談談我的秋招經驗
夕小瑤的賣萌屋
_
關注&星標小夕，帶你解鎖AI秘籍
訂閱號主頁下方「撩一下」有驚喜哦
總結
以上是生活随笔為你收集整理的如何做机器学习项目规划？一个事半功倍的checklist的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 为什么每次有人大声通电话时，我就很烦躁.
- 下一篇： 巨省显存的重计算技巧在TF、Keras中