1. 课程介绍

Machine Learning (ML) in Industry机器学习在工业界的应用
a decade ago ML was mainly used by "Big Tech"十年前机器学习主要是在大厂使用
it’s common for comanies using ML to drive revenues;现在很多公司常常用机器学习来提高他们的收入
Top segments are:high-tech,automotive,manufacturing,retail,finance,healthcare;主要领域有：高科技，自动驾驶，制造业，零售业，金融，健康；
Covid-19 accelerated this process 新冠疫情加速了这个趋势；
麦肯锡AI应用收入分析报告

2. industrial ML applications AI在工业界的应用

（1）manufacturing制造业:predictive maintenance可预见维护，quality control 质量管控
（2）retail 零售： recommendation 推荐系统，chatbot聊天机器人，demand forecasting 需求预测
（3）healthcare 健康： alerts from real-time patient data 患者实时监控，disease identification 疾病诊断
（4）Finance 金融：fraud detection 欺诈检测，application processing 应用处理
（5）automobile 汽车： breakdown prediction故障检测，self-driving自动驾驶

house sales prediction 房屋销售预测
the goal is to predict the bid price for the winning buyer 目的是为了预测中标的买家的价格
ML workflow 机器学习的流程

3. challenges 挑战

（1）formulate problem 问题公式化描述，focus on the most impactful industrial problems(self-service supermarket,sel-driving cars)关注最具影响力的行业问题(自助超市、自动驾驶汽车)
（2）data数据：high-quality data is scarce，privacy issues高质量的数据稀缺，还涉及到隐私问题
（3）train models 训练模型：models are more and more complex ，data-hungry，expensive 模型越来越复杂,数据匮乏,昂贵
（4）deploy model模型部署：heavy computation is not suitable for real-time inference 繁重的计算量不适用于实时推理
（5）monitor监控：data distributions shifts，fairness issues 数据分布变化，公平性问题

Rolse 角色
（1）domain experts 领域专家：have business insights,know what data is important and where to find it ,identify the real impact of a ML model 有业务洞察力，知道什么数据是重要的，在哪里可以找到它，确定ML模型的真正影响
（2）data scientistes数据科学家：full stack on data mining ,model training and deployment 数据挖掘、模型培训和部署的全栈科学家
（3）ML experts 机器学习专家：customize SOTA ML models 定制化 SOTA 机器学习模型
（4）SDE高级软件工程师:develop/maintain data pipelines,model training and serving piplines 开发/维护数据管道，模型培训和服务管道
职业规划&数据科学家时间分配问题

4. course topics 课程主题

techniques a data scientist needs but often not taught in university ML/stats/programming courses这些技术是数据科学家需要的，但通常不会在大学ML/stats/编程课程中教授
（1）data数据：collect/preprocess data 收集和预处理数据 ;covariate/concepts/label shifts 协变量/概念/标签的变化
（2）train训练：model validation/combinations/tuning 模型验证/组合/调优;transfer learning迁移学习；multi-modality多模态
（3）deploy部署： model deployment 模型部署；distillation 模型蒸馏
（4）monitor监控：fairness公平，explainablity可解释性

5. summary 小结

（1）companies are adopting ML 大量公司正在搞机器学习
（2）a ML workflow includes:formulating the problem,preparing data,training and deploying ML models,monitoring一个ML工作流包括:制定问题、准备数据、训练和部署ML模型、监控
（3）this course will teach technologies a data scientist needs in ML workflows stages 本课程将教授数据科学家在ML工作流阶段所需要的技术

实用机器学习中文版-1.1课程介绍相关推荐

2.1 探索性数据分析【斯坦福21秋季：实用机器学习中文版】
探索性数据分析本节课以房屋售卖的数据为例,结合代码进行分析. 出处:https://www.bilibili.com/video/BV1Xh411p7M9?spm_id_from=333.999.0 ...
实用机器学习——建模前/后处理
文章目录实用机器学习数据处理数据预处理的部分数据预处理可视化分析的部分数据清洗的部分数据变形的部分特征工程的部分评估+调参评估调参超参数优化实用机器学习(中文版)-李沐:htt ...
【斯坦福21秋（李沐）】实用机器学习（学习笔记）——1.1课程介绍
一.概述 Industral ML:主要是讲机器学习在工业中的应用. 二.机器学习在工业界的应用制造:预测设备是否需要维护.生产的产品质量控制等零售:商品推荐.客服机器人.预测产品销量等健康: ...
tdd测试驱动开发课程介绍_测试驱动开发的实用介绍
tdd测试驱动开发课程介绍 by Luca Piccinelli 通过卢卡·皮奇内利测试驱动开发很难! 这是不为人知的事实. (Test Driven Development is hard! Th ...
第2节--深度学习基础介绍-机器学习--课程介绍（下）
接第1节–深度学习基础介绍-机器学习–课程介绍(上) 4.Demo - 微软实时语音翻译(一个说英语的人,系统模拟说话人的声音实时说出对应的汉语)- Google无人车送盲人去超市购物- Google ...
第1节--深度学习基础介绍-机器学习--课程介绍（上）
本课程为麦子学院彭亮老师讲授的(深度学习基础介绍-机器学习),共28小节. 彭亮在麦子学院还有两门课,一门是Python语言编程基础,另一门是深度学习进阶:算法与应用. 建议三门课的学习顺序为:Pyt ...
斯坦福21秋季：实用机器学习-李沐课程笔记
课程主页 B站视频 PS:李老师dbq,我尽量将您截的图好看些 1.1 课程介绍 1.2 数据获取
机器学习——Google 快速入门课程（综合版）
前言本文参考 Google 谷歌官网机器学习的快速入门课程,整体课程比较好理解,供大家学习参考:文章也会结合自己的理解进行优化.看到官网的消息2021/7之后就不提供中文版的机器学习快速入门课程了, ...
吴恩达老师的机器学习和深度学习课程笔记打印版
注意:下载笔记.视频.代码:请点击"阅读原文" 我和同学将吴恩达老师机器学习和深度学习课程笔记做成了打印版,放在github上,下载后可以打印. 公布了深度学习笔记的word和ma ...

实用机器学习中文版-1.1课程介绍

文章目录