在機器學習生命週期的不同階段，使用專門的工具能替你省下大量時間與成本。雖然你也許能自己打造類似工具，但通常不如直接使用現成工具划算。
想像你在一個資料科學團隊工作。每個人都在各自的本機電腦上撰寫了用於開發機器學習模型的程式碼。因為團隊剛起步，大家只是把檔案放在網路檔案系統上分享，但現在要一起在同一份程式碼上協作越來越困難。
若要協作並分享同一個程式碼儲存庫，你應該使用哪一種工具？
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。
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。
當前練習
