Industral ML：主要是讲机器学习在工业中的应用。
二、机器学习在工业界的应用- 制造：预测设备是否需要维护、生产的产品质量控制等
- 零售：商品推荐、客服机器人、预测产品销量等
- 健康：实时监测健康状态并报警、疾病诊断等
- 金融：检测欺诈、借贷资格认定等
- 汽车：预测车辆是否需要保养、自动驾驶等
1、问题抽象：如何把工业中的问题转化成机器学习问题；
2、数据：高质量数据难获取、数据隐私问题；
3、模型训练：模型越来越复杂，需要的服务器增多，开销更大；
4、模型部署：实时性
5、监控模型：适应数据分布变化、用户行为变化、算法偏好（公平性）
四、角色- 领域专家：有商业背景，知道重要数据是什么，怎么获取，机器学习模型部署在正确的地方（可以不会开发）
- 软件开发工程师（SDE）：数据获取、模型训练等整个过程的开发
- 数据科学家：全栈工程师（掌握数据挖掘，模型训练和部署，70%的时间都在处理数据）
- 机器学习专家：定制化机器学习模型
- 数据：收集/处理等
- 训练：模型融合、调参、迁移学习、多模态
- 部署：模型部署、上线
- 监控：公平、可解释性
