图：机器学习生命周期的朴素假设
在本文中，我们将深入详细地讨论机器学习项目的生命周期实际上是什么样子的，以及周期内每个阶段可以用到的一些工具。
没有那么简单：机器学习生命周期一览
在现实中，机器学习项目并不简单，它是一个在改进数据、模型和评估之间循环往复的过程，并且永远不会真正完成。
这个循环对于开发机器学习模型至关重要，因为它侧重于使用模型结果和评估来细化数据集。此外，高质量的数据集是训练高质量模型最可靠的方法。
这个循环的迭代速度，决定了你需要花费的成本。幸运的是，有一些工具可以帮助你在不牺牲质量的情况下，加速这个循环。
图：机器学习生命周期的一个真实例子
与任何系统非常相似，即使是已经部署的机器学习模型，也需要不断的被监控、维护和更新。我们不能只是部署一个模型，然后忘记它，期望它在接下来的时间里，像在测试集上一样，在现实世界中有着很好的表现。
部署在现实世界环境中的机器学习模型需要被更新——因为我们会发现模型中的偏差，或者添加新的数据源，或者需要额外的功能等等。
而这些都会将整个项目带回到数据、模型和评估周期中。谢富治简历
下一节，我们将深入探讨机器学习生命周期的每个阶段，并重点介绍各个阶段可以用到的当下流行的工具。
