এখন পর্যন্ত, এই কোর্সটি মেশিন লার্নিং (ML) মডেল তৈরির উপর দৃষ্টি নিবদ্ধ করেছে। যাইহোক, যেমন চিত্র 1 পরামর্শ দেয়, বাস্তব-বিশ্বের উত্পাদন এমএল সিস্টেমগুলি বড় ইকোসিস্টেম এবং মডেলটি শুধুমাত্র একটি একক, অপেক্ষাকৃত ছোট অংশ।
চিত্র 1. একটি বাস্তব-বিশ্ব উত্পাদন ML সিস্টেম অনেক উপাদান নিয়ে গঠিত।
বাস্তব-বিশ্বের মেশিন লার্নিং প্রোডাকশন সিস্টেমের কেন্দ্রবিন্দুতে হল ML মডেল কোড, কিন্তু এটি প্রায়শই সিস্টেমের মোট কোডবেসের মাত্র 5% বা তার কম প্রতিনিধিত্ব করে। এটি একটি ভুল ছাপ নয়; এটি আপনার প্রত্যাশার চেয়ে উল্লেখযোগ্যভাবে কম। লক্ষ্য করুন যে একটি ML উত্পাদন সিস্টেম ইনপুট ডেটাতে যথেষ্ট সম্পদ উৎসর্গ করে: এটি সংগ্রহ করা, এটি যাচাই করা এবং এটি থেকে বৈশিষ্ট্যগুলি বের করা।
[null,null,["2024-11-07 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["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."]]],[]]
