Koleksiyonlar ile düzeninizi koruyun İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Managing ML Projects (ML Projelerini Yönetme) size, fikir aşamasından üretime hazır uygulama aşamasına geçerken ML projesini nasıl yöneteceğinizi gösterir. Kursta, makine öğrenimi geliştirme aşamaları ve genellikle makine öğrenimi ekiplerinde bulunan roller ve beceriler ele alınmaktadır. Paydaşlarla çalışma stratejilerini tartışıyor ve geliştirmenin her aşamasında bir makine öğrenimi projesinin nasıl planlanıp yönetileceği hakkında ayrıntılar sağlıyor.
Kurs, makine öğrenimi projelerinin karmaşık yönlerine açıklık getirerek, makine öğrenimi projelerini yönetmek için sağlam bir teorik çerçeve sunmaktadır.
Kurs, geleneksel makine öğrenimi modellerine odaklanıyor. Üretken yapay zeka gündemde olsa da geleneksel makine öğrenimi, Haritalar'da seyahat sürelerini tahmin etmekten Uçuş Arama'daki uçak biletlerinin fiyatını tahmin etmeye, Google Cloud için TPU kotasını tahmin etmeye ve YouTube'da alakalı videolar önermeye kadar birçok hizmete ve projeye destek veren hayati bir rol oynuyor.
Genel olarak, geleneksel makine öğrenimi projelerinin yönetimiyle ilgili ilkeler, üretken yapay zeka projelerinin yönetimiyle aynıdır. Önemli farklar olduğunda bu kursta, üretken yapay zekayla ilgili tavsiyeler ve rehberlik sunulur.
Ön koşullar:
Makine öğrenimi hakkında temel bilgilere sahip olmanız gerekir. Makine öğrenimi kavramlarına kısa bir giriş için Makine Öğrenimine Giriş sayfasını inceleyin. Makine öğrenimiyle ilgili uygulamalı tanıtım için Makine Öğrenimi Kilitlenme Kursu'na bakın.
Öncelikle, makine öğreniminin sorununuz için doğru yaklaşım olduğunu doğrulamanız gerekir. Sorununuzu bir makine öğrenimi çözümü çerçevesinde tanımlamadıysanız Makine Öğrenimi Problem Çerçeveleme'ye Giriş bölümünü tamamlayın.
[null,null,["Son güncelleme tarihi: 2024-03-12 UTC."],[[["\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"]]
