applied-ml

applied-ml 项目介绍

项目背景

applied-ml 是一个关于数据科学和机器学习在生产环境中应用的项目。这个项目通过整理精选的论文、文章和博客，为那些在寻找如何实施机器学习项目的人提供了参考。这些内容主要涵盖了如何定义问题、哪些机器学习技术有效（以及哪些无效）、技术背后的科学原理以及其实际结果，帮助项目评估投资回报。

项目的主要内容

applied-ml 项目按主题分为多个部分，每个部分都链接了相关的资源。以下是其中的一些关键主题：

数据质量

数据质量是机器学习模型成败的基础。在这一主题中，applied-ml 收集了来自 Airbnb、Uber、Google 等公司的实践案例，展示如何在大规模生产环境中确保数据的完整性和准确性。例如，Uber 的统计建模监控数据质量、Google 的生产环境机器学习数据管理挑战等。

数据工程

数据工程涉及数据如何被处理和准备，以支持机器学习模型。在这一主题中，项目包含了多种案例，如 Airbnb 的 Zipline 数据管理平台、Netflix 的 Metaflow 数据科学工作流以及 Uber 的实时数据基础设施等案例，展示现代数据工程的复杂性及其解决方案。

数据发现

数据发现涉及如何在企业中收集和利用元数据以提高数据使用效率。例如，Lyft 的数据发现与元数据引擎 Amundsen，以及 Netflix 的 Metacat 系统，都是数据发现的典型应用案例。

特征存储

特征存储是机器学习管道中缺失的数据层，用于管理模型所需的输入特征。相关案例包括 Netflix 的分布式特征生成、Uber 的 Michelangelo 平台，以及 LinkedIn 的实时个性化特征等。

分类和回归

分类和回归是机器学习的基本问题，涉及如何通过模型预测类标签或连续数值。例如，Google 通过长短时记忆网络（LSTM）进行诊断预测，Airbnb 利用机器学习估算房屋价值等。

项目亮点

1. 丰富的资源库：applied-ml 项目中包含众多高质量的行业实践案例，使用户可以了解不同行业中机器学习的实际应用与挑战。

2. 组织良好的目录：项目通过详细的目录区分了不同行业和应用主题，便于用户快速导航及查找所需内容。

3. 科学及行业应用的结合：项目特别强调科学研究和实际应用的结合，提供关于每种技术成功与否的深入见解。

扩展资源

除了 main 内容外，项目还提供了两个相关资源：

• ml-surveys：汇总机器学习领域的最新进展。
• applyingML：提供机器学习应用方面的指南和访谈。

applied-ml 是一个宝贵的知识资源，帮助数据科学家、工程师以及希望在工作中应用机器学习的专业人士提升专业能力。通过项目中的丰富案例与资源，用户能够更好地理解如何将复杂的机器学习理论转化为实际的商业价值。