作者：Robert Crowe 和 Jocelyn Becker

您是否已经掌握了构建和训练 ML 模型的技巧，并且现在准备将它们用于产品的生产部署或服务？如果是这样，我们有一套新的课程可以帮助您入门。这套新的课程是 TensorFlow 团队、Andrew Ng 和 deeplearning.ai 合作打造的，将在 Coursera 上以专业证书的形式推出：面向生产的机器学习工程 (MLOps) 专业证书。

新的专业证书建立在广受欢迎的专业证书的基础上，即 DeepLearning.AI TensorFlow 开发人员专业证书，该证书教授如何使用 TensorFlow 构建机器学习模型。新的 MLOps 专业证书将从 Andrew Ng 讲解的入门课程开始，然后是 Robert Crowe 和 Laurence Moroney 讲解的深入探讨如何将模型交付给用户的课程。

每个课程都包含大量的动手练习，让您有机会练习准备数据，以及训练和部署模型。

完成专业证书学习后，您将能够从头到尾设计和部署 ML 生产系统。您将了解项目范围、数据需求、建模策略和部署要求。您将了解如何优化数据、模型和基础设施以管理成本。您将了解如何验证数据的完整性，使其准备好用于生产，然后对机器学习模型进行原型设计、开发和部署，监控结果，并不断更新数据集和重新训练模型。

您将学习如何使用 TFX 实现特征工程、转换和选择，以及如何使用分析解决模型公平性和可解释性问题，以及如何缓解瓶颈。您还将探索 ML 在实践中的不同场景和案例研究，从个性化系统到自动驾驶汽车。

您将学习部署中的处理要求与训练中的处理要求有何不同。

您将了解用于部署机器学习系统的不同工具和平台。

ML 在生产中的常见用途是用于产品推荐的个性化系统。

ML 在实践中的前沿应用是指导自动驾驶汽车。

尽管 AI/ML 越来越被认为是数字化转型的关键支柱，但成功的 ML 部署是获得 AI 价值的瓶颈。例如，2019 年之前开始进行 AI 试点的一组组织中，有 72% 的组织尚未在生产环境中部署任何应用程序。Algorithmia 对企业机器学习现状进行的一项调查发现，55% 的受访公司尚未部署 ML 模型。

模型无法投入生产，即使投入生产，也会因为无法适应环境变化而失效。 德勤将缺乏人才 和集成问题确定为可能阻碍或破坏 AI 项目的因素。这就是 ML 工程和 MLOps 非常重要的原因。ML 工程是软件工程学科的超集，它处理 ML 实践应用中的独特复杂性。MLOps 是一种 ML 工程方法，它将 ML 系统开发（ML 元素）与 ML 系统运营（Ops 元素）统一起来。

不幸的是，拥有 ML 工程和 MLOps 技能的求职者相对难以找到，而且招聘成本很高。我们新的 MLOps 专业证书教授了在该领域工作所需的许多技能，并将帮助开发者为当前和未来的工作场所挑战做好准备。我们相信这是一项对 ML 社区有价值的贡献，我们很高兴能将它提供给大家。

立即注册，培养您的机器学习工程技能，并学习如何推出您的 ML 模型，让您的公司和用户受益。