Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Bài viết Quản lý dự án học máy hướng dẫn bạn cách quản lý một dự án học máy trong quá trình dự án này phát triển từ ý tưởng đến khi sẵn sàng triển khai. Khoá học này đề cập đến các giai đoạn phát triển công nghệ học máy, cũng như vai trò và kỹ năng thường thấy ở các nhóm học máy. Tài liệu này thảo luận về các chiến lược hợp tác với các bên liên quan, đồng thời cung cấp thông tin chi tiết về cách lập kế hoạch và quản lý dự án học máy ở từng giai đoạn phát triển.
Bằng việc làm rõ những vấn đề phức tạp vốn có trong các dự án học máy, khoá học này cung cấp một khung lý thuyết vững chắc để quản lý các dự án học máy.
Khoá học này tập trung vào các mô hình học máy truyền thống. Mặc dù AI tạo sinh đang là số 1, nhưng công nghệ học máy truyền thống vẫn đóng vai trò quan trọng tại Google, tạo nên nền tảng cho nhiều dịch vụ và dự án, từ dự đoán thời gian di chuyển trong Maps cho đến ước tính giá vé máy bay trong Chuyến bay, từ dự đoán hạn mức TPU cho Google Cloud cho đến việc đề xuất video có liên quan trên YouTube.
Nhìn chung, các nguyên tắc quản lý các dự án học máy truyền thống là giống nhau đối với việc quản lý các dự án dựa trên AI tạo sinh. Khi có sự khác biệt đáng kể, khoá học sẽ đưa ra lời khuyên và hướng dẫn phù hợp về AI tạo sinh.
Điều kiện tiên quyết:
Bạn phải có kiến thức cơ bản về công nghệ học máy. Để biết thông tin giới thiệu ngắn gọn về các khái niệm liên quan đến công nghệ học máy, hãy xem bài viết Giới thiệu về công nghệ học máy. Để xem hướng dẫn thực tế về công nghệ học máy, hãy xem Khoá học nhanh về máy học.
[null,null,["Cập nhật lần gần đây nhất: 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"]]
