機器學習建模步驟

　　1、實際問題抽象成數學問題：這裡的抽象成數學問題，指的我們明確我們可以獲得什麼樣的資料，目標是一個分類還是迴歸或者是聚類的問題，如果都不是的話，如果劃歸為其中的某類問題。

　　2、獲取資料：獲取資料包括獲取原始資料以及從原始資料中經過特徵工程從原始資料中提取訓練、測試資料。機器學習比賽中原始資料都是直接提供的，但是實際問題需要自己獲得原始資料。“ 資料決定機器學習結果的上限，而演算法只是儘可能的逼近這個上限”，可見資料在機器學習中的作用。總的來說資料要有具有“代表性”，對於分類問題，資料偏斜不能過於嚴重，不同類別的資料數量不要有數個數量級的差距。 對評估資料的量級，樣本數量、特徵數量，估算訓練模型對記憶體的消耗。如果資料量太大可以考慮減少訓練樣本、降維或者使用分散式機器學習系統。

　　3、特徵工程：特徵工程包括從原始資料中特徵構建、特徵提取、特徵選擇、特徵工程做的好能發揮原始資料的最大效力，往往能夠使得演算法的效果和效能得到顯著的提升，有時能使簡單的模型的效果比複雜的模型效果好。資料探勘的大部分時間就花在特徵工程上面，是機器學習非常基礎而又必備的步驟。資料預處理、資料清洗、篩選顯著特徵、摒棄非顯著特徵等。訓練模型、診斷、調優模型診斷中至關重要的是判斷過擬合、欠擬合，常見的方法是繪製學習曲線，交叉驗證。透過增加訓練的資料量、降低模型複雜度來降低過擬合的風險，提高特徵的數量和質量、增加模型複雜來防止欠擬合。診斷後的模型需要進行進一步調優，調優後的新模型需要重新診斷，這是一個反覆迭代不斷逼近的過程，需要不斷的嘗試，進而達到最優的狀態。

　　4、模型驗證、誤差分析：透過測試資料，驗證模型的有效性，觀察誤差樣本，分析誤差產生的原因，往往能使得我們找到提升演算法效能的突破點。誤差分析主要是分析出誤差來源與資料、特徵、演算法。

　　5、模型融合：提升演算法的準確度主要方法是模型的前端（特徵工程、清洗、預處理、取樣）和後端的模型融合。在機器學習比賽中模型融合非常常見，基本都能使得效果有一定的提升。

　　6、上線執行：這一部分內容主要跟工程實現的相關性比較大。工程上是結果導向，模型在線上執行的效果直接決定模型的成敗。 不單純包括其準確程度、誤差等情況，還包括其執行的速度(時間複雜度)、資源消耗程度（空間複雜度）、穩定性是否可接受。

　　1、學習圍棋的基礎知識，知道如何落子，吃子，如何判定輸贏等。----先會下。

　　2、做死活題，學習定式。----知識積累。

　　3、多擺棋譜，增加自己對圍棋的感性認識，多看看高手是如何下的。----向高手學習。

　　4、對弈訓練時，要加強思考，不急於落子，多想後面的幾步棋。----水平進階的好習慣。下圍棋是一個易學會，但水平難以提高的棋類遊戲，所以要持之以恆，不要怕輸棋，關鍵是要從輸棋中總結。自學圍棋能打上業三、業四，已屬少見，所以在有一定基礎後，找一個負責的老師指導，對學棋進步會有很大的幫助。

　　1、瞭解並掌握，擺正心態。對職場中的內容有初步的瞭解，並能夠在實際工作中得以有效運用。

　　2、堅持不懈，放眼未來。在職場中，不管是哪個崗位，都需要做到堅持不懈，只有經過多次重複失敗，才能夠總結失敗的原因，加強對未來的預見性和前瞻性，使學習或工作事半功倍。

　　3、學會將所學知識實操。在職場中，將所學的東西融入到我們的身體中，融入我們的潛意識，蕞終成為我們的能力。

　　4、融會貫通。經過將知識實踐之後，還要學會將所學習的內容加以融會貫通，再去使用它們，基本想要就做到，完全信手拈來。

　　5、加強鞏固。當你能融會貫通什麼都會了以後，還是需要不斷地加強鞏固，總之熟能生巧嘛。

　　以上就是我總結的職場高效學習的5個步驟，希望對你的工作有所幫助吧！