1. 有没有可行性？

可行性是指你是否能在硕士期间做完相应的研究工作.
1.1 有没有足够的参考文献？
参考文献为你的工作提供基本的支撑. 如果没有足够的参考文献, 要么这个工作没有意义, 要么你查文献的方式没对. 一般来说, 如果题目是在查阅已有论文基础上想出来的, 不存在这个问题; 但如果是从实际工作中提炼出来的 (特别是非全日制学生正在从事的工作), 就有可能. 从实际到理论并不容易.
1.2 有没有足够的可参考代码
机器学习方向一般要做对比实验. 如果有别人论文现成的代码, 就不需要自己从头去实现, 甚至还可以在别人代码的基础之上修改, 获得自己的代码. 如果你自己的代码能力很强, 当我没说.
1.3 有没有足够的数据
做实验需要足够的数据来获得有意义的结果. 不能总使用人造数据.
1.4 自己是否能驾驭
不要想着先写个题目再说, 做到一半做不动, 然后要求修改题目, 会有很多烦琐的事情. 导师一般不允许.

2. 题目是否有意义

2.1 是否有应用背景
计算机科学, 科学机器学习的问题如果都没有应用背景, 那你就别干了. 如果你的理论水平很高, 建议别看我的贴子.
2.2 是否有技术创新点、难点
做为硕士论文, 应该克服一些困难, 获得一些创新. 不过做机器学习你不用太担心, 不大可能一点都不遇到困难, 就比别人的性能更好.

3. 工作量是否饱满

3.1 是否能撑起 30 页自己的工作
第一章绪论和第二章文献综述不算自己的工作. 从第三章开始计算, 如果你不能写出 30 页自己的工作, 工作量就不够.
3.2 题目是否足够大
题目越小, 就越需要深入的工作. 如果你要把硕士论文当成博士论文来写, 也可以写得很小.
3.3 是否能写出两三个算法
一般而言, 需要有两三篇小论文的工作量, 每篇小论文有一个算法. 每个算法对应于硕士论文的一章.
3.4 是否能画出 6 个以上的结果图/表
既然做了相应的算法, 就应该有相应的结果. 6 个结果图/表并不算多, 每个算法 2-3 个. 更常见的情况是一个算法有 5 个图表. 算法本身不会有太多的篇幅, 机器学习方面很容易使用结果撑篇幅. 当然, 每个图表要有相应的解释性文字, 不能硬性灌水.
3.5 是否能体现一年以上的工作
这个题目你是否需要做一年以上才能做好? 如果不是, 就太水了.

4. 开题答辩注意事项

4.1 逐词解读题目
特别是有关术语
4.2 讲清楚题目意义
特别是动机
4.3 讲清楚可行性
包括自己的能力