面向机器学习的数据工程：优化成本效率

 

 
在过去的几年里，流处理系统的世界发生了巨大的变化。特别是当公司需要管理比以往任何时候都更多的数据时，这一点尤为突出。

事实上，每天产生的数据量大约为 250 万亿字节。

手动处理大多数公司收集、存储并希望有一天使用的海量数据根本不现实。那么，组织如何利用机器学习的最新进展，构建能够实际利用从各种来源收集的数据的可扩展管道呢？

这正是 Josh Wills 希望通过他的课程《面向机器学习的数据工程》所要实现的。

通过与 Josh 的四次直播课程，学生将学习如何掌握支持可靠且可扩展的生产模型所需的数据工程最佳实践。

具体来说，学习者将：

• 构建和监控生产服务，用于捕获高质量数据以进行模型训练，以及提供数据仓库中计算出的数据
• 设计用于训练模型的批量数据管道，这些管道可以整合不同的数据源，避免数据泄露，并按时运行（更不用说低于预算了）
• 了解如何从批量处理过渡到流式处理管道，以支持实时模型特征、模型评估甚至模型训练

但是，这门课程的真正亮点在于：Josh 专注于能够对您公司的投资回报率产生切实影响的成本优化/降低技术。

换句话说，这门课程的内容将侧重于如何高效地构建数据系统，以更低的成本创造更高的收入。而且，随着全球经济的实力持续不确定，提高利润是大多数组织的首要考虑因素。

点击此处了解有关 Josh Wills 即将开设的课程《面向机器学习的数据工程》的更多信息。