AI/ML 專案的標準方法論 — 6 階段循環
CRISP-DM 就像「做菜的標準流程」：
每個階段包含：目標、關鍵任務、做菜比喻
直接開始建模，結果做出來的東西業務不需要。「解決了一個不存在的問題」。
評估結果不好卻硬上線。CRISP-DM 是循環，評估不過就回到資料準備或建模重做。
Garbage In, Garbage Out。資料準備通常佔整個專案 60-80% 的時間。
| 階段 | 做什麼 |
|---|---|
| ①商業理解 | 定義商業問題與成功指標 |
| ②資料理解 | 蒐集、探索、檢查品質 |
| ③資料準備 | 清理、整合、特徵工程(最耗時) |
| ④建模 | 選演算法、訓練、調參 |
| ⑤評估 | 對照商業目標檢驗成效 |
| ⑥部署 | 上線、監控、維運 |
CRISP-DM 是業界最廣用的資料探勘流程,iPAS 方法論考點(中級科目一)。重點:六階段——商業理解、資料理解、資料準備、建模、評估、部署,且可迭代回溯。易混點:商業理解擺第一(方向錯了後面再準也沒用);資料準備最耗時(常佔大半),別以為建模最花時間。情境:規劃 AI 專案流程、答哪個階段做什麼的題目。
想練情境題與詳解 → AI 學習與考證地圖
跨產業資料探勘標準流程；把資料專案分成六階段，是業界最廣用的資料科學方法論框架。
商業理解、資料理解、資料準備、建模、評估、部署；前後可迭代回溯，不是一條線走到底。
先釐清要解決的商業問題與成功標準，才能定義對的目標與指標；方向錯了，後面再準也沒用。
通常是資料準備(清理、整合、特徵工程)，常佔專案大半時間；資料品質直接決定模型上限。
評估後可能發現問題定義或資料要修正，於是回到前面階段；真實專案是反覆循環、逐步逼近目標。