Lista kontrolna projektu:

1. Analiza wstępna (ang. exploratory analysis) (20%): 

• ile cech ma zbiór danych? 
• jakiego typu są cechy (numeryczne, symboliczne itp.)?
• wizualizacja danych (np. za pomocą histogramów) 
• czy mamy do czynienia z niezbalansowanymi danymi (bardzo duża przewaga przykładów z wybranej klasy)? 
• czy mamy wielowymiarowy zbiór (wiele cech, być może więcej niż przykładów)? 
• czy występują brakujące wartości?

2. Przetwarzanie wstępne (30%): 

• selekcja i/lub konstrukcja cech (np. poprzez usuwanie cech z małą lub zerową wariancją, usuwanie cech skorelowanych itp., dodawanie nowych cech np. poprzez tworzenie jednej cechy z dwóch albo przekształceń typu log(x), sqrt(x) itp.), 
• poradzenie sobie z problemem ewentualnych brakujących wartości (zastąpienie zerami, medianą, usunięcie atrybutu itd.), 
• transformacja cech np. z symbolicznych do kodowania gorącojedynkowego (ang. one-hot encoding) w celu przygotowania ich na wejście do implementacji algorytmów uczących
• standaryzacja lub normalizacja cech

3. Wybór modeli i uczenie modeli (30%):

• strojenie hiperparametrów (poprzez np. “grid search”), można rozważyć wybrane przekształcenia danych jako hiperparametry (np. włączyć do procesu strojenia hiperparametrów zagadnienia takiej jak: czy brakujące wartości powinny zostać wypełnione zerami czy medianą?)
• ewaluacja modeli, 
• ewentualne połączenie modeli w zespoły

4. Prezentacja wyników (20%)