7 مرحله فرایند یادگیری ماشین به طور خلاصه در زیر آمده است:
جمع آوری داده (Data Collection): به فرآیند استخراج داده خام برای وظایف یادگیری ماشین، جمع آوری داده می گویند. این داده از روش های مختلفی مانند منابع آنلاین منبع باز یا منابع غیر رایگان، به دست می آید. شاید این مرحله را بتوان مهمترین مرحله یادگیری ماشین نامید. اگر داده جمع آوري شده کیفیت پایینی داشته یا غیر مرتبط باشد، مدل آموزش دیده نیز کیفیت پایینی دارد.
پیش پردازش داده (Data Preparation): بعد از گردآوری داده های مرتبط، نیاز به پیش پردازش آنها داریم تا اطمینان حاصل شود داده در فرمت قابل استفاده برای آموزش مدل های یادگیری ماشین است. این مرحله شامل مدیریت داده های گمشده یا داده های پرت می باشد.
مهندسی ویژگی (Feature Engineering): زمانی که دیتاست جمع آوری و پیش پردازش شد، ممکن است نیاز به تبدیل یا حذف بعضی از ویژگی های دیتاست باشد تا مدل آموزشی بهینه تری به دست آید.
انتخاب مدل (Model Selection): براساس دیتاست، یک مدل یادگیری ماشین انتخاب می کنیم. این کار یکی از وظایف مهم مهندسان صنعت است. به جای به کارگیری مدل های کاملا جدید، بیشتر وظایف یادگیری ماشین با روش های موجود یا ترکیب روش های کنونی، قابل انجام است.
آموزش مدل و پایپ لاین داده (Model Training and Data Pipeline): بعد از انتخاب مدل، یک پایپ لاین داده (خط لوله داده) برای آموزش مدل ایجاد می شود. یعنی جریان پیوسته ایی از داده های دسته ایی ایجاد می شود تا مدل را به صورت مناسبی آموزش ببیند. از آنجا که آموزش می تواند طولانی شود، بهتر است پایپ لاین داده تا حد ممکن کارآمد باشد.
اعتبار سنجی مدل (Model Validation): بعد از آموزش، اعتبارسنجی کارایی مدل بر روی بخشی از دیتاست انجام می شود. این داده ها باید توزیع اصولی مشابه مجموعه داده آموزشی داشته باشند، اما باید داده های متفاوتی باشند که مدل قبلاً آنها را ندیده است.
پایداری مدل (Model Persistence): در نهایت، پس از آموزش و اعتبارسنجی عملکرد مدل، باید وزن های مدل به درستی ذخیره شوند و مدل به سمت تولید سوق داده شود. این بدان معنی است که فرایندی تنظیم شوند که کاربران جدید بتوانند به راحتی از مدل از پیش آموزش دیده، برای پیش بینی استفاده کنند و نیاز به آموزش مجدد مدل نباشد.
