Livscykeln för Team Datavetenskap Process

Team Datavetenskap Process (TDSP) tillhandahåller en livscykel som ditt team kan använda för att strukturera dina datavetenskapsprojekt. Livscykeln beskriver de steg du kan vidta för att slutföra ett projekt.

Du bör använda den här livscykeln om du har ett datavetenskapsprojekt som ingår i ett intelligent program. Intelligenta program distribuerar maskininlärning eller AI-modeller för förutsägelseanalys. Du kan också använda den här processen för undersökande datavetenskapsprojekt och improviserade analysprojekt, men du kanske inte behöver implementera varje steg i livscykeln.

Ditt team kan kombinera den uppgiftsbaserade TDSP:n med andra datavetenskapslivscykler, till exempel cross-industry standard process for data mining (CRISP-DM), kunskapsidentifieringen i databaser (KDD) eller din organisations egen anpassade process.

Syfte och trovärdighet

Syftet med TDSP är att effektivisera och standardisera din metod för datavetenskap och AI-projekt. Microsoft har tillämpat den här strukturerade metoden i hundratals projekt. Forskare studerade TDSP och publicerade sina resultat i peer-reviewed litteratur. Arkitekturramverket för TDSP testas noggrant och bevisas effektivt inom många områden.

Fem livscykelsteg

TDSP-livscykeln består av fem större steg som ditt team utför iterativt. Dessa steg omfattar:

• Affärsförstelse
• Datainsamling och förståelse
• Modellering
• Distribution
• Kundgodkännande

Här är en visuell representation av TDSP-livscykeln:

TDSP-livscykeln är en sekvens med steg som ger vägledning för att skapa förutsägelsemodeller. Ditt team distribuerar förutsägelsemodellerna i en produktionsmiljö som du planerar att använda för att skapa intelligenta program. Målet med den här processlivscykeln är att navigera ett datavetenskapsprojekt mot en tydlig slutpunkt för engagemang. Datavetenskap är en övning i forskning och upptäckt. När du använder en väldefinierad process för att kommunicera uppgifter till ditt team ökar du chansen att genomföra ett datavetenskapsprojekt.

Varje steg har en egen artikel som beskriver:

• Mål: Målen för fasen.
• Så här gör du det: En översikt över de uppgifter du utför i fasen och vägledning om hur du slutför dem.
• Artefakter: De slutprodukter som du behöver producera under fasen och resurser som du kan använda för att skapa dem.

Peer-granskade citat

Forskare publicerar peer-granskad litteratur om TDSP. Granska följande material för att undersöka TDSP-funktioner och program.

• Programvaruteknik för maskininlärning: En fallstudie (sidorna 291–300)

• The Art and Practice of Datavetenskap Pipelines: A Comprehensive Study of Datavetenskap Pipelines in Theory, In-The-Small och In-The-Large (sidor 2091-2103)

• En livscykel för artificiell intelligens: Från befruktning till produktion

• En hybridmetodik baserad på CRISP-DM och TDSP för körning av förbearbetningsuppgifter i mexikanska miljölagar (volym 13613, sidorna 68-82)

• Så här utför du rigorös övervakad maskininlärning i informationssystemforskning: Det övervakade maskininlärningsrapportkortet (sidorna 589-615)

• Datavetenskap i företagsmiljön: Fallstudier för kundanalys i små och medelstora företag (sidorna 689–713)

• CRISP-DM Tjugo år senare: Från datautvinningsprocesser till Datavetenskap banor (sidorna 3048–3061)

• Datavetenskap: En systematisk behandling (sidorna 106–116)

• Hantering av machine learning-livscykelartefakter: En undersökning (sidorna 18–35)

• Konstruktion av en kvalitetsmodell för maskininlärningssystem (sidorna 307–335)

• Maskininlärningsdriven innovationshantering: Conceptional Framework. Event Proceedings: LUT Scientific and Expertise Publications: ISPIM Innovation Conference – Förnya vår gemensamma framtid

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudförfattare:

• Markera Tabladillo | Senior Cloud Solution Architect

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Relaterade resurser

• Den första fasen av livscykeln finns i Affärsförstedelse.
• Vad är team Datavetenskap process?
• Jämföra produkter och tekniker för maskininlärning