קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
ניהול פרויקטים של למידת מכונה מסביר איך לנהל פרויקט למידת מכונה לאורך ההתקדמות מרעיון להטמעה מוכנה לייצור. הקורס עוסק בשלבי פיתוח למידת מכונה ובתפקידים והמיומנויות שבדרך כלל אפשר למצוא בצוותי למידת מכונה. הוא דן באסטרטגיות לעבודה עם בעלי עניין ומספק פרטים לגבי התכנון והניהול של פרויקט למידת מכונה בכל שלב פיתוח.
הקורס מאפשר להבין את המורכבות הכרוכה בפרויקטים של למידת מכונה, וכך לספק מסגרת תיאורטית מוצקה לניהול פרויקטים של למידת מכונה.
הקורס מתמקד במודלים מסורתיים של למידת מכונה. אף על פי שבינה מלאכותית גנרטיבית היא נושא מרכזי ב-Google, ללמידת מכונה מסורתית יש תפקיד חיוני ב-Google והיא נותנת השראה לשירותים ולפרויקטים רבים – מחיזוי זמני הנסיעה במפות Google ועד להערכת מחיר כרטיסי הטיסה ב-'Google חיפוש טיסות' – החל מחיזוי מכסת TPU ב-Google Cloud ועד להמלצה על סרטונים רלוונטיים ב-YouTube.
באופן כללי, העקרונות לניהול פרויקטים מסורתיים של למידת מכונה זהים לניהול פרויקטים של בינה מלאכותית גנרטיבית. אם יש הבדל משמעותי, הקורס מספק ייעוץ והדרכה רלוונטיים לגבי AI גנרטיבי.
תחילה עליכם לוודא ש-ML היא הגישה הנכונה לבעיה שלכם. אם עדיין לא ציינתם את הבעיה שלכם במונחים של פתרון למידת מכונה, כדאי לקרוא את המאמר מבוא למסגור בעיות של למידת מכונה.
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2024-03-12 (שעון 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"]]
