机构名称：
¥ 1.0
机器学习（ML）彻底改变了许多领域。这一进展在很大程度上被认为是ML算法和模型的开发，但是这种重点使在现实世界中有效部署，扩展和维护这些模型所需的工程掩盖了所需的工程。随着机器学习系统变得越来越复杂和广泛，需要专门的学科来解决这一差距，即机器学习系统工程（MLSE）。mlse。ce是为了响应计算系统的日益增长的复杂性，该计算系统需要一种集成方法，即电气工程（EE）或计算机科学（CS）都无法自行解决。ee贡献了硬件专业知识，而CS为算法和软件开发奠定了基础。但是，随着这些系统变得越来越复杂，出现了一项新的学科，计算机工程，以应对设计，构建和优化这些系统的挑战。机器学习在类似的十字路口。CS继续推动机器学习算法，而EE则推进了机器学习任务的专用硬件。但是，两项纪律都没有完全解决部署，优化和维持ML系统所需的工程原则。此差距强调了对MLSE的需求，专注于ML系统的工程，涵盖了从数据获取和模型培训到部署，优化和维护的所有内容。换句话说，我认为“如果ML算法开发人员就像宇航员探索空间一样，ML Systems工程师是火箭科学家和任务控制专家，他们可以将他们带到那里并保持任务。”该类比强调了MLSE在使ML系统在现实环境中运行和可持续性的关键作用。为了满足这一需求，mlsysbook.ai是概念化和形式化MLSE的一步。mlsysbook.ai旨在弥合理论ML概念与实践工程原理之间对于建立，部署和维护强大的ML系统所必需的差距。mlsysbook.ai解决了对工程师的需求，既有对ML的深刻理解，又是建立可扩展系统的实用技能的深刻理解。随着ML变得更加集成到关键基础架构中，这种双重专业知识越来越重要。
mlsysbook.ai：机器学习系统工程的原理和实践
主要关键词
相关文件推荐
