建立起做机器学习项目的范式，萃取出核心步骤，避免后面做项目没有明确的方向。

核心步骤：

1、明确自己想做什么样的项目，感兴趣的领域；

2、找到满足项目的数据集，开源的或者自建数据集；

• 数据集开源，有较多的研究者发表论文和代码；
• 数据集开源，但是小众，研究者研究较少，论文和开源代码较少；
• 没有开源数据集，需要自建数据集，满足项目需求；

3、阅读和数据集、项目相关的论文和代码，目的在于提炼出：

• 特征处理步骤；
• 算法步骤；
• 实验方法；

4、根据实验方法进行实验，实现两个目的：

• 对比不同的方法的指标；
• 针对实验过程发现的问题，提出改进思路，提高实验指标；

5、将改进思路的核心思想提炼出来，形成创新点成果，发表专利、或者论文等；

项目结构：

• config：存放配置文件目录，json文件格式，配置数据、算法模型、实验等；
• data：存放数据集；
• data_process：存放读取数据、初步处理数据、数据结构化的代码；
• example：存放参考的开源代码、相关示例；
• experiment：存放对比实验、消融实验、改进实验代码；
• feature_extract：存放提取、处理特征的目录；
• model：存放机器学习算法、深度学习算法、信号处理算法的目录；
• out：存放训练的模型文件、实验结果图；
  法、信号处理算法的目录；
• out：存放训练的模型文件、实验结果图；
• utils：工具文件，不包含在前面文件夹，但是又是用到的工具文件，例如可视化图结构等；