機器學習的核心流程包括了業務洞察(Business Insight)、資料處裡(Data Curation)、模型訓練(Modeling)、佈署上線(Deployment)、A/B 實驗(Testing)、即時監控(Feedback)、持續優化(Improvement)。

在眾多的機器學習主流框架當中，TensorFlow 和 PyTorch 仍是主流，都有廣泛的應用。

1. 業務分析：
   理解業務場景(銷售、商品、渠道、競品、會員)及資料關聯性，以選擇適當的演算法及學習框架、確認建模方式和學習工具，
2. 資料收集：
   確保業務資料的真實性與一致性。
3. 資料整合：
   資料標記(Lable)和特徵提取(Feature Extraction)。
4. 資料清理：
   格式化和雜訊(Noise)消除。
5. 資料規約：
   • 維度規約：
     刪除不必要的特徵値來壓縮資料量：決策樹、隨機森林、主成分分析
   • 數值規約：
     將特徵值劃離散化減少連續尺度的資料個數：線性回歸、分群、採樣
6. 資料變換：
   歸一化(Normalization)、標準化(Standardization)和零均值化(Zero-centered)等資料激活方法。
7. 資料探索：
   透過資料可視化、擬合(Fitting)函式、特徵向量和特徵值計算探索資料的規律和關聯性。
8. 特徵工程(Feature Engineering)：
   結合:專家經驗"及"先驗知識"持續進行 資料清理 → 資料規約 → 資料變換 以控制資料質量。
9. 模型訓練：
   在模型訓練過程，持續對 模型框架、目標函式、停止條件 對"超參數"進行優化調整。
10. 模型評估：
    使用留出法、交叉驗證法、自助法，對精準度、召回率、AUC、損失(Loss)等指標進行評估。
11. 佈署上線：
    將模型佈署於線上服務，提供即時決策功能。
12. A/B實驗：
    持續驗證及優化模型。
13. 即時監控：
    監控特徵値分布作為模型優化依據。
14. 資料回歸：
    將請求訊息、預估結果、特徵快照、用戶行為等資料回歸到"資料收集"步驟。