确定问题类别
有监督或者无监督问题，是分类还是回归问题。
数据采集
使用爬虫收集远程监督数据，或者收集目前已有开源数据集。
数据清洗
对于收集来的数据进行清洗工作，比如异常值检测（离群点检测），可以采用聚类方法k-means，找出离群点，以及基于统计的方法如分布在正态分布不接受的范围内的。
数据集分割
将数据集分为训练集，验证集，测试集。
特征工程
采用交叉特征，统计特征（有的特征不能统计测试集和验证集的，否则会过拟合），特征离散化等。
数据可视化以及模型选择
将数据根据label，如果是分类问题，可以给不同标签的点打上不同的颜色（如果特征比较多，可以先用pca降维之后再可视化），然后根据样本的分布情况（比如是用线性分类边界，还是非线性分类边界比较好），具体确定分类算法，线性分类比较可以使用逻辑回归，线性svm等，非线性分类可以用决策树等。
模型训练
用sklearn，tensorflow，xgboost，lightgbm等库进行模型训练（使用训练集），同时使用验证集检测优化目标，防止过拟合，也可以采用交叉验证的方式。
模型评估
使用测试集测试模型性能，之后进行线上A/Btest。
如果模型性能较差：
1，过拟合或者欠拟合。
2，数据是否清洗干净。
3，如果是过拟合可以加大模型的正则化项，L1或着L2，或者dropout等。（也可以多训练几个差异较大的模型，融合抑制过拟合）。
4，如果是欠拟合可以多用几个模型，进行模型融合，或者减小正则化项，或者查看使用的模型是否适用于当前问题。