עד עכשיו, הקורס הזה התמקד בפיתוח מודלים של למידת מכונה (ML).
עם זאת, כפי שעולה מאיור 1, מערכות למידת מכונה בסביבת ייצור הן גדולות
המערכות האקולוגיות והמודל הם רק חלק אחד, קטן יחסית.
איור 1. מערכת למידת מכונה בסביבת ייצור בעולם האמיתי מורכבת מרכיבים רבים.
בליבה של מערכת ייצור למידת מכונה בעולם האמיתי היא
של המודל, אבל לרוב הוא מייצג רק 5% או פחות מהערך הכולל של ה-codebase
במערכת. זו לא טעות; נמוכה משמעותית ממה שהייתם
לצפות. שימו לב שמערכת ייצור של למידת מכונה מקדישה משאבים רבים
נתוני הקלט: איסוף, אימות וחילוץ תכונות מהם.
[null,null,["עדכון אחרון: 2024-08-13 (שעון 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."]]],[]]
