在机器学习中训练知识拼图的一部分本章节讲述机器学习的完整周期在创建一个有价值的机器学习系统的时候应该考虑和规划那些步骤。以语音识别为例1.明确项目规范决定项目的具体内容你想要解决的问题例如研究语音搜索识别,通过对手机说话而不是输入来进行网页搜索这就是项目范围的确定2.这就是数据收集再决定要解决的问题后需要收集数据因此要决定机器学习需要那些数据并进行工作以获取音频和相应的转录或标签3开始训练进行错误分析迭代改进模型知道认为模型足够好可以部署到生产环境4.持续监控系统性能并在性能下降的时候维护系统以恢复性能。部署之后发现并没有希望的那样好就要返回去重新训练甚至去获取更多的数据如果构建了一个机器学习模型部署在服务其中要给几个人使用和给百万使用时不一样的给几百万人使用需要软件工程的一一些知识部署好之后加入有一个用户端的移动端发送一个APIkey给服务器其实就是一个数据的X的语音然后经过模型的处理返回一个识别的文本。如果用户允许我们存储这些数据当模型性能不高的时候我们就可以找到为什么不高还可以用这些数据去训练模型例如当一个新的总统当选的时候有多数人会去搜索这个名字如果模型之前没有这个数据训练过那么模型就会不准确这时候恰恰保存了这些用户的输入数据我们就可以可以发现问题并且用这些数据去训练。以提升模型的性能。所有收集数据对模型的监控以及后续的性能提升都非常的有用从而确保服务可靠克高效。