中小型数据集： 非常适合中小型数据集，因为使用大型数据集训练 模型可能非常耗时且成本高昂。 经过训练可以管理多个不同的模型，因此部署依赖于较小数据集的模型效率更高。通常，包含最多 个特征（列）和最多 行的数据集被视为中型数据集。
快速原型设计概念验证： 大多数 项目都是通过 德国手机号码数据 初步概念验证形成的，而借助 ，这些概念可以快速发展成为工作原型。内置数据分析工具提供项目的全面可见性，使工程师能够确定其是否可行。工程师还可以 依赖仪表板模板 可以将复杂的数据集分解为易于理解的数据可视化和更易于管理的信息块。这是一种帮助简化数据分析的好方法，因此可以更轻松地做出数据驱动的决策。
以下是手动机器学习更有意义的几种情况：
大型数据集： 如上一节所述，大型数据集并不完全适合 。手动执行实验可能会更有效，允许选择超参数，并为工程师提供更大的灵活性来根据需要自定义数据集。
深度学习： 大多数 工具无法 设计深度学习功能 来自非结构化数据，尽管有些可以与深度神经网络集成。深度学习涉及的超参数通常太大，无法适用于 平台，需要手动定制才能成功评估模型。
复杂用例： 某些用例可能被认为过于复杂而不适合 ，因为某些指标可能难以分析。需要应用自定义逻辑来判断性能，让数据科学家根据他们的知识和经验进行实验并配置最佳解决方案。