20、机器学习开发生命周期全解析

机器学习开发生命周期全解析

1. 机器学习集成与平台介绍

在机器学习开发过程中，将机器学习模型与现有代码集成是重要的一步。不过，这类集成往往定制性高、复用性低，需要数据科学家和软件开发人员紧密协作。

如今，人们致力于构建能够自动完成这些步骤的工具，就像持续集成（CI）和持续交付（CD）工具实现软件开发生命周期（SDLC）自动化一样。在机器学习领域，机器学习或数据科学平台应运而生，旨在让数据科学家的工作更轻松。常见的平台有：
- 亚马逊网络服务（AWS）SageMaker
- SalesForce的Einstein平台
- Facebook的FBLearner flow
- 谷歌AutoML
- Azure ML Studio

这些平台提供了用户友好的基于网络的环境，数据科学家可以连接数据源、处理数据，并构建和训练可部署的机器学习模型。

2. 定义问题，确立基准事实

解决任何工程问题的第一步，都是明确要解决的问题。很多项目往往从现有的一组数据出发，围绕这些数据定义问题。虽然这样做可能会得到一些相关见解，但建议在收集和处理数据之前，先明确问题以及成功的标准。如果采用数据优先而非问题优先的方法，可能会像模型产生偏差一样，受到数据的影响。

随着人工智能和机器学习以库和Python代码的形式变得越来越普及和易于获取，数据优先的方法很容易被采用。但通常建议花时间了解系统，找出可以解决的问题领域。

为了明确问题，需要做到以下几点：
- 深入理解问题领域，与用户和系统专家交流，尽可能多地提问。
- 找出影响问题的因素，确定可以测量的系统元素。