1.收集数据

一般通过公司自建的数据库系统获取数据，也可以使用开源的数据，常用的工具mysql，hive，Excel等，存储数据的媒介。

2.准备输入数据

一般的机器学习模型对输入数据的类型有着严格的格式要求，如在svm中object需要转化为int，把数据改造成可以输入模型的数据。常用的工具pandas，numpy。

3.分析输入数据

此步骤一般用于分析数据的分布，以及数据的缺失情况，异常情况，确保数据的质量。如果工作的内容是数据分析为主，则第三步是重点，直接人工进行数据分析。常用的工具pandas，matplotlib。

4.训练算法

通过数据建立模型，一般常用的模型有svm，随机森林，xgboost，神经网络等，按照输入的数据和需要的输出数据为标准设计算法。常用工具sklearn，TensorFlow。

5.测试算法

建立好模型之后当然要评估它的好与坏，对于已经知道目标值的的监督算法，必须已知用于评估算法的目标变量值；对于无监督学习，也必须用其他的评测手段来检验算法的成功率。然后根据实际问题进行改正。常用工具sklearn，TensorFlow。

6.使用算法

模型上线到实际的应用场景，然后进行正常的工作。此时如果碰到新的问题则进行改进。

————————————————

版权声明：本文为CSDN博主「黄某某很聪明」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。