谷歌机器学习最佳工程实践

字数统计: 1.6k字 | 阅读时长: 5分

2020-07-11

摘要: 一篇谷歌的机器学习工程最佳实践论文

【对数据分析、人工智能、金融科技、风控服务感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：潮汐朝夕
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

这是 Martin Zinkevich在NIPS 2016 Workshop 分享的谷歌机器学习工程实践法则。

Martin Zinkevich 是 google 的研究科学家。

Rules-of-Machine-Learning-Best-Practices-for-ML-Engineering

这份文档类似于《Google C++ Style Guide》，如果你的工作是基于机器学习模型的，那么建议你阅读一下这份资料。

ML phase 0: Before Machine Learning

Rule: #1: 不要害怕开发没有应用机器学习技术的产品

Rule: #2: 设计评价指标并设立优先级

Rule: #3: 先使用复杂的启发式规则，然后选择机器学习方法

ML phase 1: Your First Pipeline

Rule #4: 初版模型要简单，主要任务是确定系统流程的正确性

Rule #5: 系统运行状况要和算法的状况保持独立，以便之后算法迭代不会对系统造成较大影响。

Rule #6: 系统工作各阶段过度时，丢弃数据要谨慎

Rule #7: 寻找特征或者从外部补充其他相关数据

监控（Monitoring）

Rule #8: 了解系统的时效性

潮汐朝夕的生活实验室 \Doge 陪伴一个算法工程师的职业生涯

AI工程AI系统

谷歌机器学习最佳工程实践

ML phase 0: Before Machine Learning

ML phase 1: Your First Pipeline

监控（Monitoring）

第一个目标

ML Phase 2: 特征工程（Feature Engineering）

人工系统分析（Human Analysis of the System）

训练偏差（Training-Serving Skew）

ML Phase 3: 缓慢提升、精细优化、复杂模型

AI工程AI系统

ML phase 0: Before Machine Learning

ML phase 1: Your First Pipeline

监控 （Monitoring）

第一个目标

ML Phase 2: 特征工程（Feature Engineering）

人工系统分析（Human Analysis of the System）

训练偏差（Training-Serving Skew）

ML Phase 3: 缓慢提升、精细优化、复杂模型

监控（Monitoring）