Unlock the full potential of your projects.
Try MeisterTask for free.
Vous n'avez pas de compte ?
Inscription gratuite
Parcourir
Cartes en vedette
Catégories
Gestion de projet
Objectifs d'affaires
Ressources humaines
Brainstorming et analyse
Marketing et contenu
Éducation et remarques
Loisirs
Vie courante
Technologie
Design
Résumés
Autre
Langues
English
Deutsch
Français
Español
Português
Nederlands
Dansk
Русский
日本語
Italiano
简体中文
한국어
Autre
Montrer carte totale
Copier éditer carte
Copier
ML Project Steps
Autre
Yogesh Linganna
Suivre
Lancez-Vous.
C'est gratuit
S'inscrire avec Google
ou
s'inscrire
avec votre adresse e-mail
Cartes mentales similaires
Plan de carte mentale
ML Project Steps
par
Yogesh Linganna
1. 1. Requirements & Scope of Work
1.1. 1. Define Project Statement & Objectives 2. Define Project Milestones, Technical Stack and deliverables
1.2. Tooling: JIRA Software, Confluence, Word, Excel, etc
2. 2. Data Collection
2.1. 1. Data Discovery & Collection( Internal, External ) 2. Access Control 3. Compliance
2.2. Tooling: Web Scraping Libraries ( Beautiful soup, scrapy) API Interaction libraries Database interaction libraries Data Extraction Tools Data Storage and Management Tools ( Cloud Storage - S3, Data Warehouse - Redshift, Snowflake, BigQuery, Data Lakes - HDFS
3. 3. Data Preparation
3.1. 1. Cleaning - Remove invalid data, handle Outliers 2. Transformation 3. Labelling
3.2. Tooling: Pandas, NumPy, Apache Spark
4. 4.EDA - Exploratory Data Analysis
4.1. 1. Data Visualization 2. Identify patterns and trends 3. Univariate,Bivariate,Multivariate analysis
4.2. Tooling: Pandas,NumPy, matploblib, seaborn, Apache Spark, etc
5. 5. Feature Enginering
5.1. Feature creation, selection, scaling. Raw & Derived features.
5.2. Tooling: Numpy, scikit learn, pandas, etc
6. 6.Model Selection and Training
6.1. 1. Algorithm Selection - Regression, Classification, Clustering, etc 2. Train-Test-Split
6.2. Tooling: Jupyter, Statistical ML - (scikit learn, XGBoost) , Deep Learning - (PyTorch, Tensor Flow), etc
7. 7.Model Evaluation
7.1. 1. Model Evaluation Metrics (Accuracy, Prediction, Recall & F1 Score) 2. K-fold cross validation
7.2. Tooling: Jupyter, scikit learn, XGBoost, PyTorch,TensorFlow,etc
8. 8.Model Fine Tuning
8.1. 1. Hyperparameter tuning, 2. Transfer learning 3. Grid Seach CV(Cross Validation)
8.2. Tooling: scikit learn, XGBoost, Tensorflow, PyTorch
9. 9.Model Deployment
9.1. 1. Deploy model to environment 2. API or Web Application 3. Integrate with other systems
9.2. Tooling: Amazon Sagemaker, Azure ML, docker, FastAPI, etc
10. 10. Monitoring & Feedback
10.1. 1. Track model performance 2. Collect user feedback 3. Iterate and improve
10.2. Tooling: Amazon Sagemaker, mlflow,Azure ML,etc
Lancez-vous. C'est gratuit!
Connectez-vous avec Google
ou
S'inscrire