با مجموعهها، منظم بمانید
ذخیره و دستهبندی محتوا براساس اولویتهای شما.
تا کنون، این دوره بر ساخت مدل های یادگیری ماشینی (ML) متمرکز بوده است. با این حال، همانطور که شکل 1 نشان می دهد، سیستم های ML تولید در دنیای واقعی اکوسیستم های بزرگی هستند و مدل فقط یک بخش واحد و نسبتا کوچک است.
شکل 1. یک سیستم ML تولید در دنیای واقعی از اجزای زیادی تشکیل شده است.
در قلب یک سیستم تولید یادگیری ماشین در دنیای واقعی، کد مدل ML قرار دارد، اما اغلب تنها 5٪ یا کمتر از کل پایه کد در سیستم را نشان می دهد. این اشتباه چاپی نیست. به طور قابل توجهی کمتر از آن چیزی است که شما ممکن است انتظار داشته باشید. توجه داشته باشید که یک سیستم تولید ML منابع قابل توجهی را به داده های ورودی اختصاص می دهد: جمع آوری آن، تأیید آن، و استخراج ویژگی ها از آن.
تاریخ آخرین بهروزرسانی 2024-11-07 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2024-11-07 بهوقت ساعت هماهنگ جهانی."],[[["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."]]],[]]
