Q: 学完 "生产中的机器学习 "课程后我能做什么？

<text variant="body1">通过本课程的学习，您将能够 <text variant="body1">端到端设计一个 ML 生产系统：项目范围、数据需求、建模策略和部署要求。 <text variant="body1">建立模型基线，解决概念漂移问题，以及如何开发、部署和持续改进生产型 ML 应用程序的原型。 <text variant="body1">通过收集、清理和 Validation Data 集来建立数据管道。 <text variant="body1">使用 TensorFlow Extended 实施 Feature Engineering、Transformer 和 Selection。 <text variant="body1">利用数据 Lifecycle 和 Data Provenance 元数据工具建立数据生命周期，并利用企业数据模式跟踪数据演化。 <text variant="body1">应用技术管理建模资源，为离线/在线推理请求提供最佳服务。 <text variant="body1">利用分析技术解决模型公平性、可解释性问题，并缓解瓶颈。 <text variant="body1">为需要不同基础设施的模型服务提供部署管道。 <text variant="body1">应用最佳实践和渐进式交付技术，维护持续运行的生产系统。

Q: 生产中的机器学习》课程需要哪些背景知识？

<text variant="body1">学员应具备 AI 和深度学习方面的工作知识。 <text variant="body1">学习者应具备中级 Python 技能和使用任何深度学习框架（TensorFlow、Keras 或 PyTorch）的经验。 <text variant="body1">我们强烈建议您在开始本课程之前完成更新的 Deep Learning 专业课程。

Q: 在生产中的 Machine Learning 课程中我将学到什么？

<text variant="body1">端到端设计一个 ML 生产系统：项目范围、数据需求、建模策略和部署要求。 <text variant="body1">建立模型基线，解决概念漂移问题，以及如何开发、部署和持续改进生产型 ML 应用程序的原型。 <text variant="body1">通过收集、清理和 Validation 数据集来建立数据管道。通过使用数据 lineage 和 Provenance 元数据工具，建立数据生命周期。 <text variant="body1">应用最佳实践和渐进式交付技术来维护和监控持续运行的生产系统。

Q: 这是独立课程还是专业课程？

该课程是一门独立的课程。

Question 1

什么是面向生产的 Machine Learning 工程？为什么与此相关？

Accepted Answer

面向生产的机器学习工程指的是将 ML 理论知识转化为生产就绪技能集的工具、技术和实践经验。

有效部署机器学习模型需要具备软件工程和 DevOps 等技术领域更常见的能力。面向生产的机器学习工程将机器学习的基础概念与现代软件开发和工程角色的职能专业知识相结合。

了解机器学习和 Deep Learning 概念是必不可少的，但如果你想建立有效的 AI 职业生涯，你还需要生产工程能力。通过面向生产的机器学习工程，您可以将机器学习知识转化为生产就绪技能。

Question 2

生产中的 Machine Learning 课程是关于什么的？

Accepted Answer

生产中的机器学习》课程涵盖如何构思在生产中持续 Operator 的集成系统，以及如何解决生产环境中特有的常见挑战。与标准 Machine Learning Model 形成鲜明对比的是，生产系统需要处理不断变化的数据。此外，生产系统必须以最低成本不间断运行，同时产生最高性能。
在本 "生产环境中的 Machine Learning "课程中，您将建立端到端设计生产型 ML 系统的直觉：项目范围、数据需求、建模策略以及部署模式和技术。您将学习应对生产中常见挑战的策略，如建立模型基线、解决概念漂移和执行错误分析。您将掌握开发、部署和持续改进生产型 ML 应用程序的框架。

Question 3

学完 "生产中的机器学习 "课程后我能做什么？

Accepted Answer

通过本课程的学习，您将能够端到端设计一个 ML 生产系统：项目范围、数据需求、建模策略和部署要求。建立模型基线，解决概念漂移问题，以及如何开发、部署和持续改进生产型 ML 应用程序的原型。通过收集、清理和 Validation Data 集来建立数据管道。使用 TensorFlow Extended 实施 Feature Engineering、Transformer 和 Selection。利用数据 Lifecycle 和 Data Provenance 元数据工具建立数据生命周期，并利用企业数据模式跟踪数据演化。应用技术管理建模资源，为离线/在线推理请求提供最佳服务。利用分析技术解决模型公平性、可解释性问题，并缓解瓶颈。为需要不同基础设施的模型服务提供部署管道。应用最佳实践和渐进式交付技术，维护持续运行的生产系统。

Question 4

生产中的机器学习》课程需要哪些背景知识？

Accepted Answer

学员应具备 AI 和深度学习方面的工作知识。学习者应具备中级 Python 技能和使用任何深度学习框架（TensorFlow、Keras 或 PyTorch）的经验。我们强烈建议您在开始本课程之前完成更新的 Deep Learning 专业课程。

Question 5

在生产中的 Machine Learning 课程中我将学到什么？

Accepted Answer

端到端设计一个 ML 生产系统：项目范围、数据需求、建模策略和部署要求。建立模型基线，解决概念漂移问题，以及如何开发、部署和持续改进生产型 ML 应用程序的原型。通过收集、清理和 Validation 数据集来建立数据管道。通过使用数据 lineage 和 Provenance 元数据工具，建立数据生命周期。应用最佳实践和渐进式交付技术来维护和监控持续运行的生产系统。

Question 6

生产中的 Machine Learning 课程适合哪些人？

Accepted Answer

<text variant="body1">生产中的机器学习》课程面向希望获得如何制定可重现、可追溯、可验证的生产用机器学习项目的实用知识的早期机器学习从业人员或软件工程师。

Question 7

完成生产中的 Machine Learning 课程需要多长时间？

Accepted Answer

按照每周 5 个小时的学时计算，通常需要 3 周才能完成该课程。

Question 8

生产中的 Machine Learning》课程由谁主讲？

Accepted Answer

生产中的机器学习》课程由 Andrew Ng 创建。 Andrew Ng 是 DeepLearning.AI 的创始人、AI Fund 的普通合伙人、Coursera 的董事长兼联合创始人以及 Stanford 大学的兼职教授。作为机器学习和在线教育领域的先驱，Ng 博士通过他在 AI 领域的工作改变了无数人的生活，他撰写或与人合作撰写了 100 多篇机器学习、机器人和相关领域的研究论文。此前，他曾任百度首席科学家、Google Brain 团队创始负责人，以及全球最大的 MOOC 平台 Coursera for Teams 的联合创始人。

Question 9

这是独立课程还是专业课程？

Accepted Answer

该课程是一门独立的课程。

Question 10

如何获得收据，以便由我的雇主报销？

Accepted Answer

Question 11

我想为我的员工购买这门课程。我该怎么做？

Accepted Answer

Question 12

完成专业课程能获得大学学分吗？

Accepted Answer

不

Question 13

专业课程结束后，我会获得证书吗？

Accepted Answer

<text variant="body1">如果您支付了课程费用并完成了作业，您将在每门课程结束时获得证书。获得证书的期限为 180 天，之后必须重新购买课程才能获得证书。如果您免费旁听课程，则不会获得证书。

Question 14

我什么时候能看到讲座和作业？

Accepted Answer

要获得课程资料、作业和证书，您需要在注册课程时购买证书体验。  您可以尝试免费试听，或申请资助。课程可能提供 "完整课程，无证书"。通过该选项，您可以查看所有课程资料，提交必要的评估，并获得最终成绩。这也意味着您无法购买证书体验。

Question 15

订阅本专业会有什么好处？

Accepted Answer

注册课程后，您就可以访问专项课程中的所有课程，完成作业后还可以获得证书。您的电子证书将添加到您的 "成就 "页面--在那里，您可以打印证书或将其添加到您的 LinkedIn 个人资料中。

Question 16

是否有经济援助？

Accepted Answer

是的。在特定的学习课程中，如果您付不起注册费，可以申请助学金或奖学金。如果您选择的学习课程有助学金或奖学金，您可以在说明页面找到申请链接。