如何才能正确的构建机器学习的模型

　　组织构建一个可行的、可靠的、敏捷的机器学习模型来简化操作和支持其业务计划需要耐心、准备以及毅力。各种组织都在为各行业中的众多应用实施人工智能项目。这些应用包括预测分析、模式识别系统、自主系统、会话系统、超个性化活动和目标驱动系统。每一个项目都有一个共同点：它们都基于对业务问题的理解，并且数据和机器学习算法必须应用于解决问题，从而构建一个能够满足项目需求的机器学习模型。部署和管理机器学习项目通常遵循相同的模式。然而，现有的应用程序开发方法并不适用，因为人工智能项目是由数据驱动的，而不是编程代码。学习来源于数据，因此正确的机器学习方法源于以数据为中心的需求，并产生专注于数据发现、清理、培训、模型构建和迭代阶段的项目。对于许多组织来说，机器学习模型开发是一项新活动，但是在某种程度上已经建立了以数据为中心的项目构建方法。大约 25 年前，一个由五家供应商组成的联盟开发了跨行业的数据挖掘标准流程（CRISP－DM），该流程专注于数据挖掘项目中各种数据密集型步骤的连续迭代方法。该方法从业务理解和数据理解之间的迭代循环开始。接下来是数据准备和数据建模之间的迭代循环的切换，然后是评估阶段，它将结果分解到部署和业务理解。这种循环的、迭代的循环导致了连续的数据建模、准备和评估。但跨行业的数据挖掘标准流程（CRISP－DM）的进一步开发似乎已经停滞在近 20 年前完全生产的 1．0 版本上，而在 15 年前还发布其第二个版本。IBM 公司和微软公司对这种方法进行了更新和迭代，以生成它们自己的变体，这些变体为数据处理和建模之间的迭代循环添加了更多细节，并提供了在此过程中产生的工件和可交付成果的更多细节。此外，这种方法由于并不敏捷或不适用于人工智能和机器学习项目而受到质疑。因此需要增强诸如人工智能的认知项目管理之类的方法，以满足人工智能特定的要求，并且可以在具有现有敏捷开发团队和数据组织的组织中实施这些方法。这些方法论以及大型公司及其数据科学团队的学习，因此采用了一种更强大、更灵活的分步方法来进行机器学习模型开发，以满足认知项目的特定需求。