ML-Modellauswahl für Systemdesign

Die Navigation in der riesigen Landschaft der Machine-Learning-Modelle, um das optimale für ein bestimmtes System auszuwählen, kann eine Herausforderung sein. Dieser Kurs bietet einen grundlegenden, strukturierten Rahmen für die systematische Bewertung und Auswahl von Machine-Learning-Modellen, um sicherzustellen, dass sie an Systemanforderungen und Einschränkungen ausgerichtet sind. Sie lernen, fundierte Entscheidungen zu treffen, die Genauigkeit, Effizienz und Ressourcennutzung ausgleichen. Was Sie lernen werden: * Verstehen Sie grundlegende Modelltypen für maschinelles Lernen und ihre inhärenten Eigenschaften * Anwenden eines strukturierten Rahmens für die systematische Bewertung potenzieller Modellkandidaten * Analysieren Sie die wichtigsten Modellleistungsmetriken und ihre Abwägungen für verschiedene Geschäftsziele * Beurteilung nicht funktionaler Anforderungen wie Latenz, Durchsatz und Rechenkosten * Berücksichtigen Sie Datenanforderungen, ethische Implikationen und Fairness bei Entscheidungen zur Modellauswahl * Erkunden Sie grundlegende Überlegungen für die Modellbereitstellung und -überwachung in einem MLOps-Kontext Der Kurs beginnt mit der Etablierung von Kernkonzepten von Machine-Learning-Modellen und Systemdesignprinzipien und geht dann durch praktische Auswertungstechniken und Entscheidungskriterien. Dieser Kurs richtet sich an Anfänger, die sich für Machine Learning Engineering, Data Science oder Systemdesign interessieren, ohne dass Vorkenntnisse im ML-Systemdesign erforderlich sind. Bauen Sie noch heute Ihr Fachwissen für die Entwicklung robuster und effizienter ML-gestützter Systeme auf.