Bu kursta şimdiye kadar makine öğrenimi (ML) modelleri oluşturmaya odaklandık.
Ancak Şekil 1'de görüldüğü gibi, gerçek dünyadaki üretim makine öğrenimi sistemleri
ekosistemler arasında oluşturur ve bu model, nispeten küçük tek bir parçadır.
Şekil 1. Gerçek dünyaya ait bir üretim makine öğrenimi sistemi birçok bileşenden oluşur.
Makine öğrenimi, gerçek dünyadaki bir üretim sisteminin merkezinde yer alır.
temsil eder, ancak çoğu zaman tüm kod tabanının% 5'ini veya daha azını
sisteme bakacağız. Bu bir yanlış baskı değildir; diğerlerine kıyasla çok daha az
görebilirsiniz. ML üretim sistemlerinin önemli miktarda kaynak ayırdığını unutmayın.
verileri toplama, doğrulama ve bu verilerden özellik çıkarma.
[null,null,["Son güncelleme tarihi: 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."]]],[]]
