在本模块中，我们将重点介绍 CRISP-DM 数据科学流程，以及如何将其用于组织 ML 项目。 首先，我们将了解 ML 项目相对于普通软件项目的独特之处，然后讨论管理 ML 项目固有风险的方法。 我们还将介绍 ML 项目团队中的关键角色以及如何组织工作。

在本模块中，我们将探讨在 ML 项目中出现的与数据相关的关键问题。 数据是机器学习成功的基础，收集数量充足、质量上乘、属性正确的数据是项目成功的关键。 我们将讨论在获取数据、清理数据以及开发和选择建模中使用的特征集时需要考虑的关键因素。 本模块最后将讨论确保数据管道可重现性的最佳实践。

在本模块中，我们将讨论设计 ML 系统时需要做出的关键决策，如云与边缘、在线与批量，并比较每种类型系统的优势。 然后，我们将讨论 ML 项目中的主要技术决策，并介绍用于构建 ML 模型的常用工具和技术。

课程的最后一个模块侧重于识别和缓解 ML 模型投入生产后遇到的关键问题。我们将讨论如何建立强大的 ML 系统监控能力，并定义模型维护计划，以保持生产模型的高性能。 最后，我们将讨论版本管理在 ML 系统中的重要性，以促进部署后的持续快速迭代。