2020-01-20 18:06:29
导读作者：datarevenue
编译：ronghuaiyang
这个checklist能帮助你迈出做一个成功的机器学习项目第一步。
避免混淆，用这个简单的清单来计划你的 AI 项目。
对许多人来说，机器学习仍然是一项新技术，这可能会让它难以管理。
项目经理通常不知道如何与数据科学家谈论他们的想法。
在我们规划 30 多个机器学习项目的经验中，我们提炼出了一个简单有效的checklist。
1. 项目动机
明确你的项目的更广泛的意义。
- 你要解决的问题是什么？What is the problem you want to solve?
- 相关联的目标策略是什么？
如果项目团队不理解你的动机，那么他们就很难提出好的建议。
有很多方法可以解决机器学习的问题。所以帮助你的团队以你最感兴趣的方式工作 —— 退一步告诉他们为什么这个项目是重要的。
2. 问题定义- 你想要预测的具体输出是什么？
对于给定的输入，你的机器学习模型将理想地学会预测非常具体的输出。
所以这里你要尽可能的清楚。“预测机器故障”可能意味着很多事情 —— “告诉我，在未来 24 小时内，意外停机的风险何时增加 50%以上”更好。
- 你的算法有什么输入数据？
模型预测输出的唯一方法是从模型的输入因子中派生出来。所以，为了有机会做出好的预测，你必须有与输出相关的数据。数据越多越好。
- 什么是预测你的具体输出的最相关因素?
算法不能理解我们的世界。重要的是，你要给数据科学家一些提示，告诉他哪些数据实际上是相关的，这样他就可以用算法能够理解的方式选择和分割数据。
- 你能提供多少训练样本 ?
一个算法需要的练习比一个人要多得多。你最少需要 200 个样本。越多越好。
3. 性能度量
你怎么知道什么是好的结果？
- 你有一个简单的基准测试来比较你的结果吗?
有没有一种简单的方法来利用你已有的数据进行预测？也许你可以根据去年的数字预测销售额，或者通过计算客户上一次登录后的天数来评估客户离开的风险。一个简单的基准测试可以为你的团队提供有价值的问题洞察力。它给你一些东西来衡量模型。
- 你将如何衡量预测的准确性 ?
- 你期望的最低准确度是多少?
你希望预测的准确率平均在 5% 以内，还是更重要的是预测误差不超过 10%？你的模型可以以任何一种方式进行调优。哪种方式更好取决于什么对你来说是重要的。
- 一个完美的解决方案是什么样的？
即使这对你来说是显而易见的，把它写在纸上也能帮助你理清思路。
- 是否有参考解决方案(如研究论文)？
如果有人以前解决过类似的问题，就把他们的解决方案当作灵感。这为每个人提供了一个共同的起点，这样他们就可以看到要使用哪些数据，可能会出现哪些问题，以及要尝试哪些算法。
4. 时间线
一个性能验证项目的时间线示例。
- 是否有截止日期需要注意？
- 你什么时候需要看到第一个结果？
- 你想什么时候有一个完整的解决方案？
人工智能解决方案可以无限地改进。明确的最后期限有助于让团队集中精力。
5. 联系人- 谁负责项目(PM)？
- 谁可以授权访问数据集？
- 谁能帮助理解当前的流程和/或简单的基准测试(领域专家)？
在一个项目的过程中会出现许多问题。明确你的工程师可以向谁求助。
6. 合作
- 在业务和工程团队之间建立一个双/周的更新。
每周安排一次会议来查看当前的结果，并讨论那些不需要通过电子邮件来回答的问题。
- 应该涉及谁 ?
- 他们应该学什么？
在学习如何管理人工智能方面，没有什么比实际项目的实践经验更有价值。如果你想让你的团队的其他成员学习，从一开始就要说清楚。
- 定义代码和问题的位置以及如何访问代码。
让所有的开发从一开始就透明。这样任何人都可以很容易地加入，给出提示，并检查进展。
回答这个清单上的问题，并与大家分享世界仍在研究如何最好地运行人工智能/机器学习项目。填写这份清单将会给你所有成功的机器学习项目的要素之一：理解。
英文原文：https://www.datarevenue.com/en-blog/machine-learning-project-checklist
