要在机器学习方面怎样取得成功？

Q&AQ&A问答

要在机器学习方面怎样取得成功？

来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-11-26

有机器学习（ML）吗？不管您是否做，您都可能对ML感到焦虑
您可能对自己建立成功的机器学习实践的能力有疑问，您可能担心招募合适的专业知识，选择合适的技术，或同时利用专业知识和技术来生成有价值的机器生成的见解，勤奋和坚持不懈，并且放眼长远，那么您将获得专业知识，算法人才和技术来构建蓬勃发展的ML实践，您不是为了做ML而在做ML，您正在执行ML以改善您的业务，除了缺乏特定于ML的技能和现有ML技术的复杂性之外，的挑战之一是确定适合ML的业务用例候选人。

数据和分析及其团队过分专注于数据收集方法，而不是理解和优先考虑应用机器学习的业务问题
越来越多的未使用数据增加了他们的焦虑感，他们对ML将在这些数据中迅速找到价值的希望不切实际，对ML的焦虑是对ML失控炒作的结果。然而，炒作的泛滥只是一种干扰和阻碍。这并不是机器学习本身存在一些基本问题的证据，机器学习处于一种巨大的，破坏性的发展过程中，这种发展产生了焦虑，需要不断的学习和调整，但是，随着工具的兴起，人们对机器学习的专业知识和对数据的理解将随着时间的流逝而有所回报。

哪些业务问题适合进行机器学习？
寻找可以使用ML扩展现有分析投资的案例，通过调查ML与您已经掌握的分析学科之间的差异，确定如何使用ML改进传统的分析方法，为了使机器学习工作成功，您需要新的或现有的人类专业知识的哪些组合？建议利用现有的统计和分析知识来建立您的ML实践，促进或招募统计学家，业务分析师以及其他具有分析技能的人员，您可以在机器学习上进行培训，您的任务是在公司中找到具有数学，统计学或ML经验的人员，您不一定必须知道如何建立预测模型才能开始进行ML，可以将模型构建外包。

第三，你如何开始？在建立和扩大成功的机器学习实践中，您基本上必须随时随地学习，您将没有先学习再做的奢侈，当您获得知识并准备好去做时，知识可能已过时或与您的任务无关。” 初关于外包模型构建的观点是一种务实的方法，既可以入门，也可以在工作中学习，模型可以是您正在学习的个ML模型，也可以是用于解决特定用例（例如，客户流失或预测性维护）的打包应用程序，您可以有一个外部专家...可以承担模型开发任务。

设定期望很重要：设定明确的期望，认为这是一个学习过程，并且会出错

坚持不懈地寻求正确的迭代解决方案和输出的可重复性将为您带来利益相关者对ML的信任和认可，急于建立成功的机器学习实践是正常的，如果您专注于可以控制的事情，例如识别和培训内部人才，招募新人才，为ML确定可靠的，以业务为中心的用例，以及边走边学就可以开始学习，剩下的机会就很大会照顾自己的，还有另外一件事：数据是ML的命脉，如果您的数据管理机构不正常，那么您的机器学习工作将受到影响。

客服热线：400-050-6600

商业联合会数据分析专业委员会

Prev article

AI可以解决假事实吗？也许不会

返回列表

Next article

AI工作所需的技能和教育？