原文：
www.kdnuggets.com/2017/08/most-important-step-machine-learning-project.html
评论
作者：Shahar Cohen，YellowRoad。
CRISP-DM 是机器学习项目的常见标准。业务理解、数据理解、数据准备、建模、评估和部署。这六个步骤对机器学习项目至关重要。每个步骤中的质量问题都会直接影响整个结果的质量。它们都很重要。
然而，在向许多组织提供机器学习建议，并自己运行更多此类项目后，我们（在 YellowRoad）得出结论，流程中投资最少的步骤是业务理解。我们看到许多公司在理解他们要解决的任务的业务方面之前，讨论算法和技术。这显然不是一个好的起点。
我们编制了一系列问题，用于任何我们参与的机器学习项目，在得到这些问题的良好答案之前，我们不会在后续步骤上投入过多精力。我们发现这种做法非常有帮助。
这些是问题：
-
我们试图实现什么目标，从业务角度来看？这有多重要？
-
我们正在尝试解决的任务的输入和输出是什么？
-
给定一个假设的解决方案，它将如何影响我们的操作？（另一种问法是：假设我有一个完美的解决方案，你将如何使用它？）
-
我们是否已经具备根据这种解决方案行动的能力，还是我们还需要开发这种能力？（如果能力已经具备，仔细学习。如果没有，保持与负责开发该能力的团队的紧密联系）
-
我们将如何衡量建议的解决方案？（关键绩效指标）
-
什么会使它成功？
-
我们是否有可用的输入数据？提取这些数据有多难？我们是否被允许使用这些数据？
-
我们是否有构建类似解决方案的经验？我们是否了解需要什么？
-
我们是否面临严格的预算和时间限制？
-
谁将开发解决方案？我们是否具备所需的内部技能？
原文。经许可转载。
简历： Shahar Cohen 是 YellowRoad 的联合创始人，同时也是一位经验丰富的数据科学家和研究员，拥有超过 10 年的经验。
相关：
-
数据科学家如何提高生产力
-
数据版本控制：迭代机器学习
-
解决 CRISP-DM 中的部署和迭代问题
1. Google 网络安全证书 - 快速进入网络安全职业生涯
2. Google 数据分析专业证书 - 提升你的数据分析能力
3. Google IT 支持专业证书 - 支持你的组织的 IT