Guida per principianti al workflow di Machine Learning

Il machine learning è una delle competenze più utili nella data science. Con il machine learning, i professionisti dei dati possono fare previsioni su dataset chiave, automatizzare i flussi di lavoro ed estrarre insight. Com’è il workflow di machine learning? Questa infografica offre una vista semplificata del workflow di machine learning. 

Scarica questa infografica cliccando sull’immagine

Impostazione del progetto

Comprendere gli obiettivi di business

Parla con gli stakeholder e comprendi a fondo l’obiettivo di business alla base del modello proposto. Una comprensione profonda degli obiettivi ti aiuterà a definire l’ambito della soluzione tecnica necessaria, le fonti dati da raccogliere, come valutare le prestazioni del modello e altro ancora.

Scegliere la soluzione al tuo problema

Una volta compreso a fondo il problema, concentrati sulla categoria di modelli che genera il maggiore impatto. Consulta questa cheat sheet di Machine Learning per ulteriori informazioni. 

Preparazione dei dati

Raccolta dei dati

Raccogli tutti i dati necessari per i tuoi modelli, che provengano dalla tua organizzazione o da fonti pubbliche o a pagamento.

Pulizia dei dati

Trasforma i dati grezzi e disordinati in dati puliti e ordinati, pronti per l’analisi. Dai un’occhiata a questa checklist per la pulizia dei dati per un’introduzione alla data cleaning. 

Feature engineering

Manipola i dataset per creare variabili (feature) che migliorino l’accuratezza predittiva del tuo modello. Crea le stesse feature sia nel training set sia nel testing set.

Suddividere i dati

Dividi casualmente i record del dataset in un training set e in un testing set. Per una valutazione più affidabile delle prestazioni, genera più training e testing set usando la cross-validation

Modeling

Ottimizzazione degli iperparametri

Per ciascun modello, utilizza tecniche di tuning degli iperparametri per migliorarne le prestazioni.

Addestrare i modelli

Adatta ciascun modello al training set.

Fare previsioni

Esegui le previsioni sul testing set.

Valutare le prestazioni del modello

Per ciascun modello, calcola metriche di performance sul testing set come accuracy, recall e precision.

Deployment

Distribuire il modello

Integra il modello scelto in dashboard, applicazioni o ovunque ti serva.

Monitorare le prestazioni del modello

Verifica regolarmente le prestazioni del modello man mano che i dati cambiano per evitare il model drift

Migliorare il modello

Itera continuamente e migliora il modello dopo la messa in produzione. Sostituisci il modello con una versione aggiornata per migliorarne le prestazioni.