实用机器学习中文版-1.1课程介绍

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