部署前
将概念验证(PoC)升级到部署的因素有很多，例如：
我们在努力解决什么问题?
为什么现在就确定优先顺序会成为一个紧迫的问题?
有哪些数据可用?
它首先是ML——可解的吗?
数据有规律吗?
这种现象可以重演吗?
哪些额外数据会提升模型的性能?
一旦我们评估了使用ML算法可以最好地解决问题，数据科学团队就会执行探索性的数据分析。在这个阶段揭示了许多底层数据模式，突出了给定数据是否包含丰富的信号，它还有助于创建工程特征，以加快算法的学习过程。
接下来，团队构建第一个基线模型，通常会发现它的性能没有达到可接受的水平。一款输出像掷硬币一样好的车型不会增加任何价值，这是构建ML模型时的首批挫折之一，也就是经验教训。
公司可能会从一个业务问题转移到另一个业务问题，从而导致疲劳。尽管如此，如果底层数据没有携带丰富的信号，任何AI算法都无法建立在它的基础上，该模型必须从训练数据中学习统计关联，以对看不见的数据进行概括。
我是一位爱学习的老人！本站主要是些学习体验与分享(其中会引用一些作品的原话并结合我的一生体会与经验加工整理而成！在此一并感谢！如有不妥之处敬请与我联系,我会妥善处理，谢谢！)我写的主要是中老年人各方面应注意的事儿！退休后我希望通过这个平台广交朋友，互助交流，共筑美好生活！！！！！！
联系客服
