In diesem Modul konzentrieren wir uns auf den CRISP-DM Data Science-Prozess und wie er für die Organisation von ML-Projekten verwendet werden kann. Wir beginnen damit, zu verstehen, was ML-Projekte im Vergleich zu normalen Softwareprojekten auszeichnet, und besprechen dann Ansätze zum Umgang mit den inhärenten Risiken von ML-Projekten. Wir werden auch die Schlüsselrollen in einem ML-Projektteam und die Arbeitsorganisation besprechen.

In diesem Modul werden wir die wichtigsten datenbezogenen Fragen untersuchen, die bei ML-Projekten auftreten. Daten sind die Grundlage für erfolgreiches maschinelles Lernen, und das Sammeln von Daten in ausreichender Menge und Qualität mit den richtigen Attributen ist der Schlüssel zu einem erfolgreichen Projekt. Wir werden die wichtigsten Überlegungen zur Datenbeschaffung, zur Datenbereinigung und zur Entwicklung und Auswahl von Merkmalen für die Modellierung diskutieren. Das Modul schließt mit einer Diskussion über bewährte Verfahren zur Gewährleistung der Reproduzierbarkeit Ihrer Datenpipeline.

In diesem Modul erörtern wir die wichtigsten Entscheidungen, die bei der Entwicklung von ML-Systemen zu treffen sind, z. B. Cloud vs. Edge und Online vs. Batch, und vergleichen die Vorteile der einzelnen Systemtypen. Anschließend erörtern wir die wichtigsten technologischen Entscheidungen, die bei einem ML-Projekt zu treffen sind, und stellen die gängigen Tools und Technologien vor, die zur Erstellung von ML-Modellen verwendet werden.

Das letzte Modul des Kurses konzentriert sich auf die Identifizierung und Entschärfung der wichtigsten Probleme, die bei ML-Modellen auftreten, sobald sie in Produktion sind. Wir werden erörtern, wie Sie eine robuste ML-Systemüberwachung einrichten und einen Modellwartungsplan definieren, um die hohe Leistung eines Produktionsmodells aufrechtzuerhalten. Abschließend werden wir die Bedeutung der Versionskontrolle in ML-Systemen diskutieren, um auch nach der Bereitstellung weiterhin schnelle Iterationen zu ermöglichen.