Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Unter ML-Projekte verwalten erfahren Sie, wie Sie ein ML-Projekt von der Idee zur produktionsreifen Implementierung verwalten. Der Kurs behandelt die ML-Entwicklungsphasen sowie die Rollen und Fähigkeiten, die in der Regel in ML-Teams zu finden sind. Darin werden Strategien für die Zusammenarbeit mit Stakeholdern erörtert und Details zur Planung und Verwaltung eines ML-Projekts in jeder Entwicklungsphase erläutert.
Der Kurs entmystifiziert die Komplexität von ML-Projekten und bietet so ein solides theoretisches Framework für das Management von ML-Projekten.
Der Kurs konzentriert sich auf traditionelle ML-Modelle. Obwohl Generative AI im Fokus steht, spielt traditionelles ML bei Google eine wichtige Rolle. Es unterstützt viele Dienste und Projekte, von der Vorhersage von Reisezeiten in Maps über die Schätzung der Preise von Flugtickets in Flügen, von der Vorhersage des TPU-Kontingents für Google Cloud bis hin zur Empfehlung relevanter Videos auf YouTube.
Im Allgemeinen sind die Prinzipien für die Verwaltung herkömmlicher ML-Projekte bei der Verwaltung von Generative-AI-Projekten identisch. Bei einem signifikanten Unterschied bietet der Kurs relevante Ratschläge und Anleitungen zu generativer KI.
Voraussetzungen:
Sie sollten grundlegende Kenntnisse über maschinelles Lernen haben. Eine kurze Einführung in Konzepte des maschinellen Lernens finden Sie unter Einführung in maschinelles Lernen. Eine praxisorientierte Einführung in maschinelles Lernen finden Sie im Crashkurs zum maschinellen Lernen.
Sie sollten zuerst überprüfen, ob ML der richtige Ansatz für Ihr Problem ist. Wenn Sie Ihr Problem noch nicht im Hinblick auf eine ML-Lösung skizziert haben, lesen Sie die Einführung in das ML-Problem Framing.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 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* 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"]]
