# 机器学习的关键步骤：
1. 收集数据
2. 训练模型； 直到模型的足够的好，不断进行优化
3. 部署模型
# 数据科学关键步骤：
1. 收集数据
2. 分析数据
3. 建议假设/行动
# 数据科学采用优化生产线；机器学习采用的则是自动视觉检查
# 制造业，在数据科学上常用到的A/B测试；机器学习上是定制产品推荐；
# Cross functional team 交叉功能团队；往往一个Ai项目需要Ai专业领域的人才和团队，也需要专业领域的人才和团队交叉合作进行
# 头脑风暴框架，思考自动化任务，自动工作
商业价值的主要驱动因素是什么？
你生意中的主要痛点是什么
# Ai 既需要大数据，也不要因为没有大数据而直接放弃某个项目，因为有些项目不一定在没有大量数据（小部分数据集）的前提下就完全不能开展
# 技术调研 & 商业调研
# 除了进行技术考察和业务之外，还需要进行道德层面的考量，确保无论你在做什么。让人性和社会变得更好。
# 不要跟火车冲刺赛跑；
因为即使你可以在短期内冲刺得更快， 最终火车也会赶上你， 并撞到试图在火车前冲刺的人。因此，当有大量建立的行业标准解决方案时，你可能最好只采用行业标准或其他人的平台，而不是试图在内部重新建造一个全新的东西。我们都生活在一个资源有限，时间有限，数据有限， 工程资源有限的世界里， 所以我希望你能把这些资源集中在我们最独特的项目上，以此让你的公司带来最大的收益
# 机器学习项目可以外包，也可以自建。外包可以更快找到合适的人才，并加速项目的实施；
# 数据科学项目一般都是企业内部自建，因为数据科学需要接触非常多的企业敏感数据，才能得到更真实的结果
# 如果一些事，已经有了行业标准，不要尝试“重复造轮子”或者想要去颠覆，而是应该遵守或者购买这种标准
# 寻找一个合格的准确率，而不是一定要100%因为有以下因素：
机器学习的局限性
不足够的数据
混乱的数据（如错误的标记）
模棱两可的标签
# 相关深度学习框架简介，参考：https://www.cnblogs.com/Cong0ks/p/15433858.html
