Системи машинного навчання, які працюють у реальних умовах

Орієнтовна тривалість модуля: 70 хв

Навчальні цілі

• Розумітися на широкому спектрі компонентів системи машинного навчання, що працює в реальних умовах.
• Вибирати ідеальну парадигму навчання (статичне або динамічне).
• Вибирати ідеальну парадигму виведення результатів (статичне або динамічне).
• Тестувати розгортання машинного навчання.
• Ставити правильні запитання про свою систему машинного навчання, що працює в реальних умовах.
• Визначати недоліки в моделях машинного навчання, що працюють у реальних умовах.
• Проводити моніторинг компонентів у системі машинного навчання, що працює в реальних умовах.

Вимоги

Передбачається, що всі, хто вивчає цей модуль, знайомі з поняттями, викладеними в модулях, наведених нижче.

• Вступ до машинного навчання
• Лінійна регресія
• Робота із числовими даними
• Робота з категорійними даними
• Набори даних, узагальнення й надмірне навчання

Досі основна увага в цьому курсі приділялася створенню моделей машинного навчання. Однак, як показано на рисунку 1, системи машинного навчання, що працюють у реальних умовах, – це великі екосистеми, а модель – лише одна, відносно мала частина.

Рисунок 1. Система машинного навчання, що працює в реальних умовах, складається з багатьох компонентів.

 

В основі системи машинного навчання, що працює в реальних умовах, лежить код моделі машинного навчання, але часто він становить лише до 5% від загальної кодової бази системи. Це не друкарська помилка; відсоток значно менший, ніж можна очікувати. Звернуть увагу, що система машинного навчання, яка працює в реальних умовах, виділяє значні ресурси на вхідні дані: їх збирання, перевірку й отримання ознак.