TensorFlow下构建高性能神经网络模型

典型的数据挖掘和机器学习过程

图1是一个典型的推荐类应用，需要找到“符合条件的”潜在人员。要从用户数据中得出这张列表，首先需要挖掘出客户特征，然后选择一个合适的模型来进行预测，最后从用户数据中得出结果。



把上述例子中的用户列表获取过程进行细分，有如下几个部分(见图2)：



业务理解：理解业务本身，其本质是什么？是分类问题还是回归问题？数据怎么获取？应用哪些模型才能解决？

数据理解：获取数据之后，分析数据里面有什么内容、数据是否准确，为下一步的预处理做准备。

数据预处理：原始数据会有噪声，格式化也不好，所以为了保证预测的准确性，需要进行数据的预处理。

特征提取：特征提取是机器学习最重要、最耗时的一个阶段。

模型构建：使用适当的算法，获取预期准确的值。

模型评估：根据测试集来评估模型的准确度。

模型应用：将模型部署、应用到实际生产环境中。

应用效果评估：根据最终的业务，评估最终的应用效果。

1.TensorFlow下构建高性能神经网络模型的最佳实践

2.TensorFlow核心流程剖析-神经网络模型的构建、分割和优化

3.pycharm下tensorflow下的配置