De levenscyclus van het team Datawetenschap proces

Het TDSP (Team Datawetenschap Process) biedt een levenscyclus die uw team kan gebruiken om uw data science-projecten te structuren. De levenscyclus bevat een overzicht van de stappen die u kunt uitvoeren om een project te voltooien.

U moet deze levenscyclus gebruiken als u een data science-project hebt dat deel uitmaakt van een intelligente toepassing. Intelligente toepassingen implementeren machine learning- of AI-modellen voor predictive analytics. U kunt dit proces ook gebruiken voor experimentele data science-projecten en geïmproviseerde analyseprojecten, maar u hoeft mogelijk niet elke stap van de levenscyclus te implementeren.

Uw team kan de op taken gebaseerde TDSP combineren met andere levenscycluss van data science, zoals het standaardproces voor gegevensanalyse (CRISP-DM), het kennisdetectieproces in databases (KDD) of het eigen aangepaste proces van uw organisatie.

Doel en geloofwaardigheid

Het doel van TDSP is om uw benadering van data science- en AI-projecten te stroomlijnen en te standaardiseren. Microsoft heeft deze gestructureerde methodologie in honderden projecten toegepast. Onderzoekers bestudeerden TDSP en publiceerden hun bevindingen in peer-review literatuur. Het architectuurframework van de TDSP wordt grondig getest en bewezen effectief op veel gebieden.

Vijf levenscyclusfasen

De TDSP-levenscyclus bestaat uit vijf belangrijke fasen die uw team iteratief uitvoert. Deze fasen zijn onder andere:

• Bedrijfskennis
• Gegevens ophalen en begrijpen
• Modelleren
• Implementatie
• Klantacceptatie

Hier volgt een visuele weergave van de TDSP-levenscyclus:

De TDSP-levenscyclus is een reeks stappen die richtlijnen bieden voor het maken van voorspellende modellen. Uw team implementeert de voorspellende modellen in een productieomgeving die u wilt gebruiken om intelligente toepassingen te bouwen. Het doel van deze proceslevenscyclus is om door een data science-project te navigeren naar een duidelijk eindpunt voor betrokkenheid. Data science is een oefening in onderzoek en ontdekking. Wanneer u een goed gedefinieerd proces gebruikt om taken met uw team te communiceren, vergroot u de kans om een data science-project uit te voeren.

Elke fase heeft een eigen artikel met een overzicht van:

• Doelen: De doelstellingen van de fase.
• Hoe kunt u dit doen: een overzicht van de taken die u in de fase uitvoert en richtlijnen voor het voltooien ervan.
• Artefacten: de producten die u moet produceren tijdens de fase en resources die u kunt gebruiken om ze te maken.

Door peer beoordeeld bronvermeldingen

Onderzoekers publiceren peer-review literatuur over de TDSP. Bekijk het volgende materiaal om TDSP-functies en -toepassingen te onderzoeken.

• Software-engineering voor Machine Learning: een casestudy (pagina's 291-300)

• The Art and Practice of Datawetenschap Pipelines: A Comprehensive Study of Datawetenschap Pipelines in Theory, In-The-Small en In-The-Large (pagina's 2091-2103)

• Een levenscyclus van kunstmatige intelligentie: van conceptie tot productie

• Een hybride methodologie gebaseerd op CRISP-DM en TDSP voor de uitvoering van voorverwerkingstaken in Mexicaanse milieuwetten (volume 13613, pagina's 68-82)

• Het uitvoeren van strikt toezicht op machine learning in informatiesystemenonderzoek: de kaart voor het machine learning-rapport onder supervisie (pagina's 589-615)

• Datawetenschap in de bedrijfsomgeving: Casestudy's voor klantanalyse in kmo's (pagina's 689-713)

• CRISP-DM twintig jaar later: Van data mining processen tot Datawetenschap trajecten (pagina's 3048-3061)

• Datawetenschap: Een systematische behandeling (pagina's 106-116)

• Beheer van machine learning-levenscyclusartefacten: een enquête (pagina's 18-35)

• Bouw van een kwaliteitsmodel voor Machine Learning-systemen (pagina's 307-335)

• Machine Learning-gedreven innovatiebeheer: Conceptiekader. Event Proceedings: LUT Scientific and Expertise Publications: The ISPIM Innovation Conference – Innovating Our Common Future

Medewerkers

Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.

Hoofdauteur:

• Mark Tabladillo | Senior Cloud Solution Architect

Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.

Verwante resources

• Zie Business Understanding voor de eerste fase van de levenscyclus.
• Wat is het Team Datawetenschap Process?
• Machine Learning-producten en -technologieën vergelijken