Day 01 : 这系列文在做什麽-缘起

前言

  • 铁人赛是磨练自己技术能力的指标,2020 年参加铁人赛自我挑战组的「用Line聊天机器人串起多媒体系统」系列文,以初学者/自学者或大学一年级选修课程的程度梳理相关知识,部分内容拜 iThome 强大的 SEO 之赐,在自我挑战组热门文章前 10 有名,主题为介绍 Colab、Line Notify(依目前排序为: Day11Day10Day8),意识到自己的文章真的可以帮助到人,除了是自我肯定,也燃起继续挑战铁人赛的想法。
  • 本次挑战主轴为 MLOps ,不同於前次铁人赛程度设定,目标订为对多媒体数据分析与应用有兴趣,已初步有涉略 AI 相关领域、具有 ML / DL 建模经验的学习者,约为相关领域大三程度的补充教材,您也许能认同版本控制、容器管理、 CI/CD 的强大,那认识 ML in Production 用於生产的机械学习、 MLOps 应能对就业准备与未来职务有所帮助。

这系列会谈的内容及不会谈的

  • 会谈的:
    • 如何从布署机械学习至商业情境(ML in Production),并关注布署之後所需注意的资料品质、模型版本控制与剪枝、AI 可解释力、错误分析、自动化 ML 到持续布署,期待用 ML 专案生命周期的角度执行 MLOps 需要的。
  • 不会谈的:
    • AI 模型进展,像是 DNN、CNN、ResNet、BERT、Tramsform、GTP3 等模型内容不是此系列文关注焦点,假设您已对前述模模型有认识。焦点回归到如何站在巨人肩膀上持续监控、优化产品服务体验,实作时会援引模型,但偏重 ML/DL pipeline 的介绍。

会触及的主题:

  • ML in Production
  • MLOps
  • 负责任的AI
  • 可解释的AI
  • 公平指标
  • TFX
  • TFDV (Data Validation)
  • TFMA (Model Analysis)
  • ML CI、CD、CT实践
  • ML解决方案

小结

  • 期待您能跳脱研究AI模型已久的思维,也更有系统化的关注您的资料、布署、营运及监控手段,那这系列目的就达到了,我们明天见!

<<:  [火锅吃到饱-1] 涮乃叶(台中秀泰文心店)しゃぶ叶 SYABU-YO In Taichung

>>:  Day 1 | 在安装之後

【Day 27】Cmd 指令很乱,主办单位要不要管一下 (上) - Cmd 指令混淆

环境 Windows 10 21H1 System Monitor v13.01 前情提要 在【Da...

Day 16 实作测试 (2)

前言 昨天我们写好了测试的 model,今天就来用他实作吧。 test_main 我们先从最简单的 ...

Day 21 - Shioaji Docker 环境介绍

因前篇介绍到用Docker的方式执行Redis,而在shioaji的官网上也有提到有docker i...

DAY3 LineBot建构环境

接着到桌面新增一个资料夹,我们就命名为linebot cd Desktop mkdir linebo...

Day 23 云上大数据分析

随着时代变化,「Data」彷佛变成兵家必争之地,从零售、传产、工业、科技等等产业来看,会发现几乎每...