تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
توضح لك المقالة إدارة مشاريع تعلُّم الآلة كيفية إدارة مشروع تعلُّم الآلة خلال مراحل انتقاله من فكرة إلى عملية تنفيذ جاهزة للإنتاج. تتناول الدورة مراحل تطوير تعلُّم الآلة والأدوار والمهارات الموجودة عادةً لدى فِرق تعلُّم الآلة. وهو يناقش استراتيجيات العمل مع الأطراف المعنية
ويقدم تفاصيل حول كيفية تخطيط وإدارة مشروع تعلُّم الآلة في كل مرحلة من مراحل التطوير.
من خلال إزالة الغموض عن التعقيدات الكامنة في مشاريع تعلُّم الآلة، توفّر الدورة التدريبية إطارًا نظريًا قويًا لإدارة مشاريع تعلُّم الآلة.
وتركّز الدورة التدريبية على نماذج تعلُّم الآلة التقليدية. على الرغم من أنّ الذكاء الاصطناعي التوليدي هو موضع تسليط الضوء، إلا أنّ تعلُّم الآلة التقليدي يؤدي دورًا حيويًا في Google، كما يرتكز على العديد من الخدمات والمشاريع، بدءًا من توقّع أوقات السفر في "خرائط Google" ووصولاً إلى تقدير أسعار تذاكر الطيران في "رحلات جوية"، ومرورًا بتوقّع حصة وحدة معالجة الموتّرات في Google Cloud
واقتراح فيديوهات ذات صلة على YouTube.
بشكل عام، مبادئ إدارة مشاريع تعلُّم الآلة التقليدية متطابقة
لإدارة مشروعات الذكاء الاصطناعي التوليدي. عندما يكون هناك فرق كبير، تقدّم الدورة التدريبية
نصائح وإرشادات ذات صلة بالذكاء الاصطناعي التوليدي.
عليك أولاً التأكّد من أنّ تعلُّم الآلة هو النهج الصحيح لحلّ مشكلتك.
إذا لم تكُن قد تناولت المشكلة في مجال تعلُّم الآلة، يُرجى قراءة القسم مقدّمة حول تأطير مشاكل تعلُّم الآلة.
تاريخ التعديل الأخير: 2024-03-12 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2024-03-12 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eThis course provides a comprehensive framework for managing machine learning (ML) projects, guiding you through all stages from ideation to production.\u003c/p\u003e\n"],["\u003cp\u003eIt covers key aspects such as defining project phases, planning and management strategies, establishing success metrics, and implementing responsible AI practices.\u003c/p\u003e\n"],["\u003cp\u003eWhile focused on traditional ML models, the course also offers insights into managing generative AI projects, highlighting common principles and key differences.\u003c/p\u003e\n"],["\u003cp\u003eTo benefit from this course, you should have a basic understanding of machine learning and have already determined that ML is the appropriate solution for your problem.\u003c/p\u003e\n"],["\u003cp\u003eIt's estimated to take approximately 90 minutes to complete this course, equipping you with the necessary skills to effectively manage your ML projects.\u003c/p\u003e\n"]]],[],null,["# Managing ML projects\n\n*Managing ML Projects* shows you how to manage an ML project as it progresses\nfrom an idea to a production-ready implementation. The course covers the\nML development phases and the roles and skills\ntypically found on ML teams. It discusses strategies for working with\nstakeholders and provides details on how to plan and manage an ML project\nat each phase of development.\n\nBy demystifying the complexities inherent in ML projects, the course\nprovides a solid theoretical framework for managing ML projects.\n\nThe course focuses on traditional ML models. Although generative AI is in the\nspotlight, traditional ML plays a vital role at Google, underpinning many\nservices and projects, from predicting travel times in Maps to estimating the\nprice of airline tickets in Flights, from predicting compute quota for Google\nCloud customers to recommending relevant videos in YouTube.\n\nIn general, the principles for managing traditional ML projects are identical\nfor managing generative AI projects. When there's a significant difference, the\ncourse provides relevant generative AI advice and guidance.\n| **Estimated Course Length:** 90 minutes\n| **Objectives:**\n|\n| - Define the phases and elements of an ML project.\n| - Describe how to plan and manage an ML project.\n| - Determine business and model success metrics.\n| - Recognize the iterative process of running ML experiments.\n| - Design a solution for productionizing ML pipelines.\n| - Implement responsible ML and AI practices at each development phase.\n\n**Prerequisites:**\n\n- You should have a basic understanding of machine learning. For a brief introduction to machine learning concepts, see [Introduction to Machine Learning](/machine-learning/intro-to-ml). For a hands-on introduction to machine learning, see [Machine\n Learning Crash Course](/machine-learning/crash-course).\n- You should first verify that ML is the right approach for your problem. If you haven't framed your problem in terms of an ML solution, complete [Introduction to Machine\n Learning Problem Framing](/machine-learning/problem-framing).\n\n\u003cbr /\u003e"]]
