人工智能方法论

通用过程

 

1. 业务建模：把业务问题理解透，理解项目目标和需求，将目标转换成问题定义，设计出达到目标的一个初步计划。根据直觉和知识提出合理假说，如类比相关性等。难点：在于如何设计合理的目标函数，使得能够达到业务初始设计要求。
2. 收集数据：收集初步的数据，进行各种熟悉数据的活动。包括数据描述，数据探索和数据质量验证等。要有数据，而且的确需要足够多的数据。难点：1.如何解决数据收集成本大的问题，或者说如何自动化收集数据。需要收集多少数据才够，学术界尚未有固定的理论指导，正在从成功案例中提炼经验公式。
3. 准备数据：提升数据质量，将最初的原始数据构造成最终适合建模工具处理的数据集。包括表、记录和属性的选择，数据转换（稀疏，异构）和数据清理（缺失，矛盾）等。难点：对于优质数据的判断标准，待分析。
4. 建模分析：选择和应用各种建模技术，并对其参数进行优化。一般的，为了模拟未知数据的表现，常常把数据集分为两个部分，一部分用于训练，一部分用于预测。难点：在于选用算法和参数如何选择，目前看到选择是根据类比的方法，寻找与待解决工程相似的已成功的工程，并使用相似的方法，但工程相似没有统一标准。对于参数的选择，目前常用方法还是尽可能多实验，选择测试结果最好的参数。
5. 模型评估：对模型进行较为彻底的评价，并检查构建模型的每个步骤，确认其是否真正实现了预定的目的。难点：目前还没有看到对于效果不好的原因定位方法，只能具体案例具体分析。

 

 

类似的，根据基于模型机器学习中的抽象，建模过程为

1. 收集数据训练和评估模型。
2. 收集知识帮助做适当的模型假设。
3. 可视化数据来更好的理解它，检查数据问题和洞察有用的模型假设。
4. 构建一个模型匹配问题域的知识，保证对数据的理解一致。
5. 执行推理要预测的变量使用数据来确定其他变量的值。
6. 评价结果使用一些评价指标，看他们是否满足目标应用程序的成功标准。

在（通常）情况下，系统第一次都不符合成功标准，就有两个额外的步骤：

1. 诊断问题，降低预测精度。
2. 完善系统，这可能意味着–细化数据，模型，可视化，推理或评价。