对于机器学习项目的流程是

1、先抽象成数学问题，指的是我们可以获得什么样的数据，目标是一个分类还是回归，或者聚类的问题，如果都不是，划归为某类问题
2、获取数据 数据决定了机器学习的上限，而算法只是尽可能的逼近这个上限，要对数据的量级有一个评估，多少个样本，多少个特征，可以估算出对内存的消耗程度，判断训练过程中内存是否放得下，如果放不下，就考虑改进算法或者用降维的技巧，如果放不下，要考虑分布式
3、特征预处理与特征选择
特征预处理、数据清洗是很关键的一步，往往可以使算法的效率提高，归一化，离散化，因子化，缺失值处理，去除共线性，筛选出显著的特征，特征选择
4、训练模型与调优
5、模型诊断
是否是欠拟合或者是过拟合，常见的方法如交叉验证，绘制学习曲线，过拟合的基本思想是增加数据量，降低模型复杂度，欠拟合提高特征数量和质量，增加模型复杂度。
6、模型融合
7、上线运行