تا کنون، این دوره بر ساخت مدل های یادگیری ماشینی (ML) متمرکز بوده است. با این حال، همانطور که شکل 1 نشان می دهد، سیستم های ML تولید در دنیای واقعی اکوسیستم های بزرگی هستند و مدل فقط یک بخش واحد و نسبتا کوچک است.
![شکل 1. نمودار سیستم ML شامل اجزای زیر است: جمع آوری داده ها، استخراج ویژگی ها، ابزارهای مدیریت فرآیند، تأیید داده ها، پیکربندی، مدیریت منابع ماشین، نظارت، زیرساخت های سرویس و کد مدل ML. بخش کد مدل ML نمودار با 9 جزء دیگر کوچک شده است.](https://developers.google.cn/static/machine-learning/crash-course/images/MlSystem.png?hl=fa)
در قلب یک سیستم تولید یادگیری ماشین در دنیای واقعی، کد مدل ML قرار دارد، اما اغلب تنها 5٪ یا کمتر از کل پایه کد در سیستم را نشان می دهد. این اشتباه چاپی نیست. به طور قابل توجهی کمتر از آن چیزی است که شما ممکن است انتظار داشته باشید. توجه داشته باشید که یک سیستم تولید ML منابع قابل توجهی را به داده های ورودی اختصاص می دهد: جمع آوری آن، تأیید آن، و استخراج ویژگی ها از آن.