Документы:

Техническое задание (Project Charter) с описанием проблемы и целей проекта

Сбор и подготовка данных:

Качество данных является ключевым фактором успеха в машинном обучении. На этом этапе команда собирает и предобрабатывает данные, удаляет пропущенные значения, исправляет ошибки, кодирует категориальные переменные и нормализует числовые признаки.

Цели:

Собрать данные, необходимые для обучения и валидации моделей

Подготовить данные к анализу и использованию в моделях машинного обучения

Задачи:

Очистить данные от ошибок и пропущенных значений

Обработать категориальные и числовые признаки

Документы:

Отчет о сборе и подготовке данных, описывающий процесс и результаты работы с данными

Разработка и обучение моделей:

На этом этапе команда разрабатывает и обучает модели машинного обучения, используя выбранные алгоритмы и подходы. Затем проводится оценка качества моделей, сравнение их результатов и выбор наилучшей модели.

Цели:

Разработать и обучить модели машинного обучения

Оценить качество моделей и выбрать наилучшую

Задачи:

Выбрать подходящие алгоритмы машинного обучения

Обучить модели и провести первичную оценку их качества

Документы:

Отчет о разработке и обучении моделей, содержащий описание используемых алгоритмов, параметров моделей и результатов оценки качества

Тюнинг гиперпараметров и оптимизация моделей:

Для повышения производительности модели проводят тюнинг гиперпараметров, используя различные методы поиска и оптимизации. Этот процесс включает настройку параметров модели для достижения лучших результатов.

Цели:

Повысить производительность моделей путем оптимизации их гиперпараметров

Задачи:

Применить различные методы поиска и оптимизации гиперпараметров

Сравнить результаты и выбрать оптимальные значения гиперпараметров

Документы:

Отчет о тюнинге гиперпараметров и оптимизации моделей, включающий результаты экспериментов и выбранные оптимальные значения гиперпараметров

Валидация и тестирование моделей:

На этом этапе команда проверяет модели на новых данных, чтобы оценить их обобщающую способность и производительность в реальных условиях.

Цели:

Проверить модели на новых данных для оценки их обобщающей способности и производительности в реальных условиях

Задачи:

Разделить данные на обучающую, валидационную и тестовую выборки

Провести тестирование моделей на тестовых данных и оценить их производительность

Документы:

Отчет о валидации и тестировании моделей, содержащий результаты тестирования и выводы о производительности моделей

Внедрение моделей в продакшн:

После успешного тестирования и валидации модели интегрируются в рабочую среду, где они будут использоваться для прогнозирования и автоматизации решений.

Цели:

Интегрировать модели в рабочую среду для их использования в решении реальных задач

Задачи:

Разработать и протестировать API или другой интерфейс для взаимодействия с моделями

Организовать инфраструктуру для развертывания и поддержки моделей

Документы:

Отчет о внедрении моделей в продакшн, описывающий процесс интеграции, используемые технологии и результаты тестирования интеграции

Мониторинг и обновление моделей:

На этом этапе команда следит за производительностью модели в продакшне, анализирует возникающие проблемы и периодически обновляет модели для адаптации к изменяющимся условиям и требованиям.

Цели:

Обеспечить стабильную работу моделей и их адаптацию к изменяющимся условиям

Задачи:

Мониторить производительность моделей и анализировать возникающие проблемы

Периодически обновлять модели для адаптации к новым данным и требованиям

Документы:

Отчет о мониторинге и обновлении моделей, содержащий результаты анализа производительности и информацию об обновлениях

Документация и обучение пользователей:

Команда разрабатывает документацию, описывающую модели, их функционирование и принципы работы. Это важно для обеспечения прозрачности, понимания и доверия со стороны пользователей и других заинтересованных сторон. Также проводится обучение пользователей, которые будут взаимодействовать с моделями и использовать их результаты в своей работе.