在本 "生产中的 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。 了解机器学习和 Deep Learning 的概念至关重要，但如果您想建立有效的 AI 职业生涯，您还需要有准备部署项目的经验。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所需的技能和最佳实践相结合，以便在真实环境中成功部署和维护 ML 系统。 第 1 周：第 2 周：ML 生命周期和部署概述建模挑战和策略 第 3 周：数据定义和基线数据定义和基线
生产中的 Machine Learning
了解顶级公司的员工如何掌握热门技能
该课程共有3个模块
本周将快速介绍机器学习生产系统，重点关注其需求和挑战。接下来，本周的重点是部署生产系统，以及在面对不断变化的数据时，如何稳健地部署生产系统。
涵盖的内容
8个视频3篇阅读材料2个作业1个应用程序项目2个非评分实验室
本周的主题是模型策略和模型开发中的关键挑战。它包括误差分析和处理不同数据类型的策略。本周还将讨论如何应对类不平衡和高度倾斜的数据集。
涵盖的内容
16个视频2篇阅读材料2个作业1个非评分实验室
本周的主要内容是处理不同的数据类型，并确保分类问题的标签一致性。这将为您的模型建立性能基线，并讨论在时间和资源有限的情况下改进模型的策略。本周还包括最终的端到端项目。
涵盖的内容
17个视频5篇阅读材料2个作业2个非评分实验室
位教师
授课教师评分
4.9 (1,071个评价)
从 机器学习 浏览更多内容
状态：免费试用Google Cloud
状态：免费试用
状态：免费试用
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
学生评论
4.8
3,333 条评论
- 5 stars
84.02%
- 4 stars
13.01%
- 3 stars
1.91%
- 2 stars
0.74%
- 1 star
0.29%
显示 3/3333 个
RG
5
已于 Jun 4, 2021审阅
really a great course. It'll really change your way of thinking ML in production use and will help you better understand how can you leverage the power of ML in a way that I'll really create a value
SK
5
已于 Jan 7, 2023审阅
I really enjoy participating in a great class like Andrew's class. It's full of useful and applicable points that I encounter during a real prj. Thanks for sharing this asset with us :))
EW
5
已于 Nov 15, 2024审阅
I learned many new perspective on how I can build my machine learning product and some pitfalls that could happen. It gives me fundamental on how do I design my product better.
常见问题
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。
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。
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。
更多问题
提供助学金，