許多美國聯邦機構現在正處于了解機器學習以及如何將之應用到預測性分析中，把機器學習的一些要素應用到任務中，每個機構都能從中獲益。

許多美國聯邦機構現在正處于了解機器學習以及如何將之應用到預測性分析中，比如網絡威脅檢測，數據泄露自動檢測和在社交媒體上識別潛在***威脅的動向。把機器學習的一些要素應用到任務中，每個機構都能從中獲益。

采用機器學習也意味著數據安全，數據引擎和基于數據型決策的新視角。對于還在部署階段探索的機構而言，從何處開始部署其實都還是一項挑戰。以下幾步的學習，有助于各位在機器學習的道路上事半功倍。

安全第一

和任何系統整合項目一樣，安全是整體設計過程中的頭等大事。有關數據的具體問題很重要。例如：

誰能看到這些數據？

如何變更數據訪問權限？

可否把Active Directory/Lightweight Directory Access Protocol方案整合進去？

可否將在行級(row level)或單元級(cell level)匿名數據？

可否與其他數據師共享我的數據，運算法則和項目結果，然后在有需要的時候變更訪問控件？

在實施任何機器學習項目之前，有關數據管理，數據安全，監管和數據沿襲(data lineage)都是基礎性的問題。

聚焦任務

準確了解自己需要解決哪些問題。選擇一項適合的技術來解決該問題。定格問題，最大化地挖掘此項技術的價值。

任何機器學習項目的最大挑戰之一是訪問數據集。通常操作者需要從多個數據所有者處進行訪問，此外，還會遇到各種數據類型的問題。數據所有者必須同意共享數據且加入機器學習計劃。

機器學習最簡單的形式是以運算法則為基礎，根據歷史數據識別趨勢，然后做出預測。數據越好，運算法則越好，則預測越準確。

我已經有數據，然后要怎樣做?

在獲取數據集后，就可以全面了解數據了。將域專家，數據科學家和程序員召集到一起。先了解你的數據，然后才可以對其進行最大化的利用。你需要補充新的數據要素，融合多個數據源，執行數據分析，并啟動“特征工程”（feature engineer）。在機器學習領域，一個特征就是一個單獨的屬性或者“解釋性的變量”。你需要投入時間和域專業知識以識別數據中特定的，獨立性的特征。數據方面的知識是選擇合適特征并使運算法則行之有效的關鍵。選定特征后，要啟動訓練和提煉模式。

管理數據

把數據放入單獨的數據庫，數據湖或Hadoop生態系統的日子一去不復返。部署好控件層，才能更輕松地從多個數據源獲取數據，并進行變更，特別是當任務關乎數據訪問和數據共享的時候。

利用遺留的數據存儲，然后同時管理數據和互動連接以加速數據訪問。

消除手動檢查節點，以便優化模式輸出和整個企業之間的反饋回路。

確保政策部署到位，且要保障政策的執行力和安全性。

與機器學習模式所掌握的情況溝通

記住一些案例。避免“科學項目綜合征”的發生，關注最初的問題以及從模式中獲取的真實情況，想辦法與之進行溝通。許多工具提供的虛擬化方式能讓這種溝通變簡單。

準備好模式生產并使其可持續

快速從概念轉換到產出，才能達到實操目的。一旦環境和控件層到位，就要繼續添加使用案例和更多的數據集。

讓一個機構或組織要想最大程度利用機器學習和數據科學，就需要長期投入人才和不斷發展技術。進入機器學習領域，需要在技術上完成從操作分析到預測分析的轉型。

企業文化也需要發生改變，因為領導者要意識到基于數據的決策要比感情用事更重要。多鼓勵數據共享和協作。保持你的模式。數據會隨著時間流逝而改變。趨勢也會隨時間而改變。建立準確的，有預測性的模式是一種努力的方向。制訂一個計劃來追蹤模式的性能，再設置好更新周期。