你剛學到特徵工程，以及它對提升機器學習模型效能的關鍵作用。了解該套用哪些技巧，能帶來顯著差異。
假設你是一位在電商公司任職的初階資料科學家，負責強化推薦系統，為顧客推薦下一個最合適的商品。將多個新特徵加入模型後，你發現效能並未提升。以下哪一個動作「不」是解決此問題的有效步驟？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
你將先學習 MLOps 的核心特性。接著探索機器學習生命週期、其各個階段，以及與 MLOps 流程相關的角色分工。
接下來，你將學到機器學習生命週期中的設計與開發階段。你會探索價值增益評估、資料品質、特徵儲存，以及實驗追蹤。
當前練習
本章將帶你深入了解把機器學習部署到生產環境的相關概念，例如執行階段環境、容器化、CI/CD 流程，以及部署策略。
最後，你將學到如何在生產環境維護機器學習，包含統計與運算監控、再訓練、不同的 MLOps 成熟度層級，以及可用於機器學習生命週期中以簡化流程的工具。
