1、理解上下文：
- 可以从机器学习中获益的业务领域
- 与其他利益相关者沟通什么是机器学习，机器学习不具备的能力是什么 (通常有很多误解)
- 了解业务战略、风险和目标，以确保每个人都达成共识
- 确定组织拥有的数据类型
- 适当地构建和审视任务
- 了解操作约束 (例如，在推理时选出实际可用的数据)
- 主动识别道德风险，包括性骚扰、猥亵、独裁政府滥用你的工作，或进行宣传 / 虚假宣传活动 (并计划如何减少这些风险)
- 识别潜在的偏见和潜在的负反馈循环
2、数据：
- 制定计划收集更多不同的数据（如果需要及可能的话）
- 将来自许多不同来源的数据拼接在一起：这些数据通常以不同的格式或不一致的惯例收集
- 处理丢失或损坏的数据
- 可视化数据
- 创建合适的训练集、验证集和测试集
3、建模：
- 选择使用哪个模型
- 将模型资源需求为约束条件（如，完成的模型是否需要在边缘设备上运行，是否在低内存或高延迟环境中运行等）
- 选择超参数（如，在深度学习的情况下，这包括选择架构、损失函数和优化器）
- 训练模型（并调试它为什么训练没有成功）。这可能包括：
- 调整超参数（如学习率）
- 输出中间结果，查看损失、训练误差及验证误差是如何随时间变化的
- 检查模型上错误的数据来查找模式
- 识别数据潜在的错误或数据
- 明确需要改变清洗和预处理数据的方式
- 明确需要更多或不同的数据扩充
- 明确需要更多或不同的数据
- 尝试不同的模型
- 确定数据是否欠拟合或过拟合
4、产品化：
- 创建一个 API 或 Web 应用，将你的模型作为端点以实现产品化
- 将模型导出为所需的格式
- 计划你的模型需多久一次使用更新的数据进行再训练（如，你可能会每晚或每周进行再训练）
5、监控：
- 跟踪模型的性能表现
- 监控输入数据，以确定它是否随时间变化，从而使模型无效
- 将结果转达给组织的其他成员
- 指定计划，监督和应对错误和意外后果
强调机器学习（特别是深度学习）中，最耗时的是
- 处理数据格式化、不一致和错误，通常是一个混乱、乏味的过程。
- 众所周知，训练深度学习模型是一个脆弱的过程。