In diesem Kurs über maschinelles Lernen in der Produktion werden Sie ein Gespür dafür entwickeln, wie man ein ML-System für die Produktion von Anfang bis Ende entwirft: Projektplanung, Datenanforderungen, Modellierungsstrategien sowie Einsatzmuster und -technologien. Sie lernen Strategien zur Bewältigung gängiger Herausforderungen in der Produktion kennen, wie z. B. die Erstellung einer Modell-Baseline, die Behandlung von Konzeptabweichungen und die Durchführung von Fehleranalysen. Sie werden einen Rahmen für die Entwicklung, den Einsatz und die kontinuierliche Verbesserung einer produktiven ML-Anwendung verfolgen. Das Verständnis von Konzepten des maschinellen Lernens und des Deep Learning ist unerlässlich, aber wenn Sie eine effektive KI-Karriere anstreben, brauchen Sie auch Erfahrung bei der Vorbereitung Ihrer Projekte für den Einsatz. Machine Learning Engineering für die Produktion kombiniert die grundlegenden Konzepte des maschinellen Lernens mit den Fähigkeiten und Best Practices der modernen Softwareentwicklung, die notwendig sind, um ML-Systeme in realen Umgebungen erfolgreich einzusetzen und zu warten. Woche 1: Überblick über den ML-Lebenszyklus und Einsatz Woche 2: Modellierungsherausforderungen und -strategien Woche 3: Datendefinition und Baseline
(3,105 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Identifizierung von Schlüsselkomponenten des ML-Projektlebenszyklus, Pipeline und Auswahl der besten Bereitstellungs- und Überwachungsmuster für verschiedene Produktionsszenarien.
Optimieren Sie die Modellleistung und die Metriken, indem Sie unverhältnismäßig wichtige Beispiele, die wichtige Teile eines Datensatzes darstellen, priorisieren.
Lösen Sie Produktionsherausforderungen in Bezug auf strukturierte, unstrukturierte, kleine und große Daten und erfahren Sie, wie Sie die Konsistenz von Etiketten verbessern können.
Kompetenzen, die Sie erwerben
- Kategorie: Konzept Drift
- Kategorie: Herausforderungen bei der ML-Implementierung
- Kategorie: Leistung auf menschlicher Ebene (HLP)
- Kategorie: Projekt-Scoping und Entwurf
- Kategorie: Modell Baseline
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
6 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 3 Module
In dieser Woche erhalten Sie eine kurze Einführung in Produktionssysteme für maschinelles Lernen, die sich auf deren Anforderungen und Herausforderungen konzentriert. Als Nächstes befassen wir uns mit der Bereitstellung von Produktionssystemen und den Voraussetzungen dafür, dass diese Systeme auch bei sich ständig ändernden Daten stabil arbeiten.
Das ist alles enthalten
8 Videos3 Lektüren2 Aufgaben1 App-Element2 Unbewertete Labore
Diese Woche geht es um Modellstrategien und die wichtigsten Herausforderungen bei der Modellentwicklung. Es geht um Fehleranalyse und Strategien für die Arbeit mit verschiedenen Datentypen. Außerdem geht es darum, wie Sie mit unausgewogenen Klassen und stark verzerrten Datensätzen umgehen können.
Das ist alles enthalten
16 Videos2 Lektüren2 Aufgaben1 Unbewertetes Labor
In dieser Woche geht es um die Arbeit mit verschiedenen Datentypen und die Sicherstellung der Konsistenz von Beschriftungen bei Klassifizierungsproblemen. Dies führt dazu, dass Sie eine Leistungsbasis für Ihr Modell festlegen und Strategien zur Verbesserung des Modells unter Berücksichtigung Ihrer Zeit- und Ressourcenbeschränkungen erörtern. Diese Woche umfasst auch das abschließende End-to-End-Projekt.
Das ist alles enthalten
17 Videos5 Lektüren2 Aufgaben2 Unbewertete Labore
Dozent
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
University of Washington
Google Cloud
Alberta Machine Intelligence Institute
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
3.105 Bewertungen
- 5 stars
84,47 %
- 4 stars
12,80 %
- 3 stars
1,86 %
- 2 stars
0,57 %
- 1 star
0,28 %
Zeigt 3 von 3105 an
Geprüft am 19. Mai 2021
Excellent course, as always! Many thanks!
Geprüft am 8. Juni 2021
I have been working in a large payments technology company for last one year and I can vouch for all the processes Andrew beautifully summarised. It does help a lot working in the industry.
Geprüft am 4. Juni 2021
The content of this course has been especially useful for me. I wish there were more emphasis on the tools recommendation as well, but the theoretical knowledge was just fine. Thank you!
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Machine Learning Engineering für die Produktion bezieht sich auf die Werkzeuge, Techniken und praktischen Erfahrungen, die theoretisches ML-Wissen in ein produktionsreifes Skillset umwandeln.
Der effektive Einsatz von Machine-Learning-Modellen erfordert Kompetenzen, die eher in technischen Bereichen wie Softwareentwicklung und DevOps zu finden sind. Die Technik des maschinellen Lernens für die Produktion kombiniert die grundlegenden Konzepte des maschinellen Lernens mit dem funktionalen Fachwissen moderner Softwareentwicklungs- und Ingenieursrollen.
Das Verständnis von Konzepten des maschinellen Lernens und Deep Learning ist unerlässlich, aber wenn Sie eine effektive KI-Karriere anstreben, benötigen Sie auch produktionstechnische Fähigkeiten. Mit Machine Learning Engineering für die Produktion können Sie Ihr Wissen über maschinelles Lernen in produktionsreife Fähigkeiten umwandeln.
Der Kurs Maschinelles Lernen in der Produktion befasst sich mit der Konzeption integrierter Systeme, die kontinuierlich in der Produktion arbeiten, sowie mit der Lösung allgemeiner Herausforderungen, die sich in der Produktionsumgebung ergeben. Im Gegensatz zur Standardmodellierung des maschinellen Lernens müssen Produktionssysteme mit sich entwickelnden Daten umgehen. Darüber hinaus muss das Produktionssystem ohne Unterbrechung zu minimalen Kosten und mit maximaler Leistung laufen.
In diesem Kurs über maschinelles Lernen in der Produktion werden Sie ein Gespür dafür entwickeln, wie man ein ML-System für die Produktion von Anfang bis Ende entwirft: Projektumfang, Datenanforderungen, Modellierungsstrategien sowie Einsatzmuster und -technologien. Sie lernen Strategien für die Bewältigung gängiger Herausforderungen in der Produktion kennen, wie z. B. die Erstellung einer Modell-Baseline, die Behandlung von Konzeptabweichungen und die Durchführung von Fehleranalysen. Sie werden einen Rahmen für die Entwicklung, den Einsatz und die kontinuierliche Verbesserung einer produktiven ML-Anwendung kennenlernen.
Am Ende des Kurses werden Sie in der Lage sein:
Entwerfen Sie ein ML-Produktionssystem von Anfang bis Ende: Projektrahmen, Datenbedarf, Modellierungsstrategien und Einsatzanforderungen.
Erstellen Sie eine Modell-Baseline, gehen Sie auf Konzeptabweichungen ein und stellen Sie einen Prototyp für die Entwicklung, Bereitstellung und kontinuierliche Verbesserung einer produktiven ML-Anwendung auf.
Aufbau von Datenpipelines durch Sammeln, Bereinigen und Validieren von Datensätzen.
Implementierung von Feature Engineering, Transformation und Auswahl mit TensorFlow Extended.
Einrichtung des Datenlebenszyklus durch Nutzung von Metadaten-Tools für die Datenherkunft und -verfügbarkeit und Verfolgung der Datenentwicklung mit Unternehmensdatenschemata.
Anwendung von Techniken zur Verwaltung von Modellierungsressourcen und zur optimalen Bearbeitung von Offline/Online-Inferenzanfragen.
Verwendung von Analysen, um Modellgerechtigkeit und Erklärungsprobleme anzugehen und Engpässe zu entschärfen.
Bereitstellung von Pipelines für die Modellbereitstellung, die unterschiedliche Infrastrukturen erfordern.
Anwendung von Best Practices und fortschrittlichen Bereitstellungstechniken zur Aufrechterhaltung eines kontinuierlich arbeitenden Produktionssystems.