现在，许多美国联邦机构正在了解机器学习以及如何将其应用于预测分析。每个机构都可以从将机器学习的某些元素应用于任务中受益。现在，许多美国联邦机构正在了解机器学习以及如何将其应用于预测分析，例如网络威胁检测，自动数据泄露检测以及在社交媒体上识别潜在的恐怖威胁。每个组织都可以从将机器学习的某些元素应用于任务中受益。机器学习的使用还意味着数据安全性，数据引擎和基于基于数据的决策制定的新观点。对于仍在部署阶段进行探索的组织，从何处开始部署实际上仍然是一个挑战。以下学习步骤将帮助您在机器学习的路上花费一半的精力，即可获得两倍的结果。安全第一与任何系统集成项目一样，安全是整个设计过程中的重中之重。有关数据的特定问题很重要。例如：谁可以看到数据？如何更改数据访问权限？是否可以集成Active Directory /轻型目录访问协议解决方案？数据可以在行级别还是在单元级别匿名？我可以与其他数据科学家共享我的数据，算法和项目结果，然后在必要时更改访问控制吗？在实施任何机器学习项目之前，数据管理，数据安全性，监督和数据沿袭都是基本问题。专注于任务并确切地了解您需要解决的问题。选择合适的技术来解决问题。解决问题并最大化该技术的价值。任何机器学习项目中最大的挑战之一就是访问数据集。通常，操作员需要从多个数据所有者访问，此外，他们还将遇到各种数据类型的问题。数据所有者必须同意共享数据并加入机器学习计划。机器学习的最简单形式是基于算法，基于历史数据识别趋势，然后进行预测。数据越好，算法越好，预测就越准确。我已经有了数据，该怎么办？获取数据集后，我就可以完全理解数据了。汇集领域专家，数据科学家和程序员。在充分利用数据之前，请先了解您的数据。您需要添加新的数据元素，合并多个数据源，执行数据分析并启动“功能工程师”。在机器学习领域，特征是单个属性或“解释变量”。您需要投入时间和领域专业知识来识别数据中的特定，独立特征。数据知识是选择合适的特征并使算法有效的关键。选择功能后，启动训练和优化模式。管理数据并将数据放入单独的数据库，数据湖或Hadoop生态系统的日子已经一去不复返了。部署控制层可以更轻松地从多个数据源获取数据并进行更改，尤其是在任务涉及数据访问和数据共享时。使用旧数据存储，然后同时管理数据和交互式连接以加快数据访问。消除手动检查节点，以优化模型输出与整个企业之间的反馈回路。确保已将策略部署到位，并确保策略的执行和安全性。与机器学习模型掌握的情况进行沟通，并记住一些案例。避免发生“科学项目综合症”，注意初始问题和从模型中获得的实际情况，并找到与之通信的方法。许多工具提供了虚拟化方法来简化此通信。只有通过为模型生产做准备并使之从概念到输出的可持续性和快速过渡，才能实现实际操作的目标。一旦环境和控制层就位，继续添加用例和更多数据集。对于一个组织或组织来说，要最大程度地利用机器学习和数据科学，就需要对人才进行长期投资并不断开发技术。进入机器学习领域需要从运营分析到预测分析的技术转变。企业文化也需要改变，因为领导者需要意识到基于数据的决策比情感更重要。鼓励数据共享和协作。保持你的模式。数据将随着时间变化。趋势也会随着时间而改变。建立准确和可预测的模型是努力的方向。制定计划以跟踪模型的性能，然后设置更新周期。