Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Sejauh ini, kursus ini berfokus pada membangun model machine learning (ML).
Namun, seperti yang ditunjukkan oleh Gambar 1, sistem ML produksi di dunia nyata memiliki
ekosistem dan modelnya hanyalah satu bagian yang relatif kecil.
Inti dari sistem produksi machine learning dunia nyata adalah ML
kode model ini, tetapi seringkali hanya mewakili 5% atau kurang dari total codebase di
sistem. Itu bukan kesalahan cetak; ini jauh lebih sedikit
daripada yang mungkin Anda
kita harapkan. Perhatikan bahwa sistem produksi ML mencurahkan sumber daya yang cukup besar
ke data input: mengumpulkan, memverifikasinya, dan mengekstrak fitur dari data.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2024-08-13 UTC."],[[["This module explores the broader ecosystem of a production ML system, emphasizing that the model itself is only a small part of the overall system."],["You will learn to choose the appropriate training and inference paradigms (static or dynamic) based on your specific needs."],["The module covers key aspects of production ML systems, including testing, identifying potential flaws, and monitoring the system's components."],["As a prerequisite, familiarity with foundational machine learning concepts, including linear regression, data types, and overfitting, is assumed."],["Building upon previous modules, this content shifts focus to the practical aspects of deploying and maintaining ML models in real-world scenarios."]]],[]]