確定問題類別
有監督或者無監督問題，是分類還是迴歸問題。
數據採集
使用爬蟲收集遠程監督數據，或者收集目前已有開源數據集。
數據清洗
對於收集來的數據進行清洗工作，比如異常值檢測（離羣點檢測），可以採用聚類方法k-means，找出離羣點，以及基於統計的方法如分佈在正態分佈不接受的範圍內的。
數據集分割
將數據集分爲訓練集，驗證集，測試集。
特徵工程
採用交叉特徵，統計特徵（有的特徵不能統計測試集和驗證集的，否則會過擬合），特徵離散化等。
數據可視化以及模型選擇
將數據根據label，如果是分類問題，可以給不同標籤的點打上不同的顏色（如果特徵比較多，可以先用pca降維之後再可視化），然後根據樣本的分佈情況（比如是用線性分類邊界，還是非線性分類邊界比較好），具體確定分類算法，線性分類比較可以使用邏輯迴歸，線性svm等，非線性分類可以用決策樹等。
模型訓練
用sklearn，tensorflow，xgboost，lightgbm等庫進行模型訓練（使用訓練集），同時使用驗證集檢測優化目標，防止過擬合，也可以採用交叉驗證的方式。
模型評估
使用測試集測試模型性能，之後進行線上A/Btest。
如果模型性能較差：
1，過擬合或者欠擬合。
2，數據是否清洗乾淨。
3，如果是過擬合可以加大模型的正則化項，L1或着L2，或者dropout等。（也可以多訓練幾個差異較大的模型，融合抑制過擬合）。
4，如果是欠擬合可以多用幾個模型，進行模型融合，或者減小正則化項，或者查看使用的模型是否適用於當前問題。