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:实时监测健康状态并报警、疾病诊断等
- 金融:检测欺诈、借贷资格认定等
- 汽车:预测车辆是否需要保养、自动驾驶等
三、 当前机器学习面临的挑战
1、问题抽象:如何把工业中的问题转化成机器学习问题;
2、数据:高质量数据难获取、数据隐私问题;
3、模型训练:模型越来越复杂,需要的服务器增多,开销更大;
4、模型部署:实时性
5、监控模型:适应数据分布变化、用户行为变化、算法偏好(公平性)
四、角色
- 领域专家:有商业背景,知道重要数据是什么,怎么获取,机器学习模型部署在正确的地方(可以不会开发)
- 软件开发工程师(SDE):数据获取、模型训练等整个过程的开发
- 数据科学家:全栈工程师(掌握数据挖掘,模型训练和部署,70%的时间都在处理数据)
- 机器学习专家:定制化机器学习模型
五、课程主要内容:机器学习实际应用中的技巧(替代不了基础机器学习课程)
- 数据:收集/处理等
- 训练:模型融合、调参、迁移学习、多模态
- 部署:模型部署、上线
- 监控:公平、可解释性