在本专业课程结束时,您将有足够的能力设计和部署端到端 ML 生产系统。您将充分了解项目范围划分、数据需求、建模策略和部署要求。您将了解如何通过优化数据、模型和基础架构来管理成本。您将掌握如何验证数据的完整性以使其为生产使用做好准备,并对机器学习模型进行原型设计、开发和部署,监控,以及持续更新数据集并重新训练模型。
您将学习如何使用 TFX 实施特征工程、转型和选择,如何使用分析技术来解决模型公平性和可解释性问题,以及如何突破瓶颈。您还将通过亲身实践探索 ML 的不同场景和案例研究,包括个性化系统、自动驾驶汽车等。
尽管 AI/ML 是数字化转型的关键支柱已成为共识,但能否成功部署 ML 是制约我们从 AI 技术中获取价值的瓶颈所在。例如,在 2019 年之前开始试点 AI 项目的组织中,有 72% 的组织甚至没有在生产中部署任何一个应用。Algorithmia 对企业机器学习状况的一项调查发现,55% 的受访公司尚未部署 ML 模型。
模型无法投产,即使投入生产,也会因为无法适应环境的变化而发生故障。德勤咨询公司 (Deloitte) 认为人才缺乏和集成问题可能是阻碍或导致 AI 项目失败的因素。正因如此,ML 工程和 MLOps 的必要性日益凸显。ML 工程提供一个软件工程学科超集,用于处理 ML 实际应用中出现的独特、复杂性的情况。MLOps 是一种用于 ML 工程的方法,对 ML 系统开发(ML 元素)与 ML 系统操作(Ops 元素)进行了统一。
遗憾的是,具备 ML 工程和 MLOps 技能的求职者数量较少且招聘成本高昂。我们的全新 MLOps 专业课程将教授在该领域工作所必要的大量技能,并将帮助开发者为当前和未来的工作挑战做好准备。我们相信这是对 ML 社区的宝贵贡献,我们很高兴能参与其中。
复制下方链接,立即注册学习《面向生产环境的机器学习 (MLOps) 专业课程》,培养您的机器学习工程技能,并学习如何发布 ML 模型,让公司与用户从中受益。