[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 目前为止 我们说到了你如何用数据来建立机器学习的模型 那么如何来衡量质量呢？ 你如何去理解模型是否有效？ 所以说 光光建立起一个模型还远远不够 当你建立起一个人工智能 你想要的是 介绍给你公司的客户 那些去你的网站购买你的产品的客户 这个过程像什么呢？ 涉及到方方面面 这就是我们所谓的模型部署 我们把模型用来做实时预测 我们还会继续说到 我们会提到如何去衡量模型 来保证 我们所设计的模型 在长期来说仍是有效的 如果你想到了管理 你如何保证模型仍然有效 我们如何去替换来提升模型 对于我们的评测结果 如何反应 这些都是我们需要监测的内容 这样才能了解我们的模型是否有效 和知道模型能否从数据得到新的训练 现在所有的内容都来了 并不是单独的 分散开来的 每一项内容都会有联系 我们需要建立起一个完整的能够提升模型的循环系统 让我们从第一个开始 部署部分 思考以下的设置 你要建立的是一个新的产品推荐系统 你用了百万级别的产品点评和用户喜好的数据 你想要让你从你笔记本或者台式机 或者大型计算机中训练得出的模型 把他部署到网页上 能够使它和你的用户进行真正的交互 这就像是什么呢? 就像是使用着历史数据的整个系统 你收集的系统中用户的数据 用户写下的点评 他们的爱好 我们将要使用这些数据 来训练模型 就像Emily之前在推荐系统那个模块中已经教过的 使用历史数据叫做批量离线设置 你在你笔记本或者大型计算机中学习了模型 并把它在云上面进行部署 你所做的是服务器预测 这是线上的 实时的 如果你有一个网站 如果他是我们服务的网站 网站会给我关于用户的信息 用户们现在在做什么 他们在浏览哪个页面 他们想要买什么产品 所有的这些 都会用来做实时预测 还记得之前的长劲鹿玩具吗 你们记得吗？ 假设这是你现在想买的东西 用户看到了长劲鹿 他们可能会买也可能不会买这个长颈鹿 这是我们会从系统中得到的反馈 是否这个用户真的买了产品 这会影响到我们的实时决定 和回顾历史数据 并且收集到长期的训练模型中 这样我们就能够不断地从现实生活中收集数据从而提升我们的模型 这也就是机器学习的全盘部署系统 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community