1. 课程介绍2. industrial ML applications AI在工业界的应用3. challenges 挑战4. course topics 课程主题5. summary 小结
1. 课程介绍Machine Learning (ML) in Industry机器学习在工业界的应用a decade ago ML was mainly used by "Big Tech"十年前机器学习主要是在大厂使用it’s common for comanies using ML to drive revenues;现在很多公司常常用机器学习来提高他们的收入Top segments are:high-tech,automotive,manufacturing,retail,finance,healthcare;主要领域有：高科技，自动驾驶，制造业，零售业，金融，健康；Covid-19 accelerated this process 新冠疫情加速了这个趋势；麦肯锡AI应用收入分析报告
2. industrial ML applications AI在工业界的应用
（1）manufacturing制造业:predictive maintenance可预见维护，quality control 质量管控
（2）retail 零售： recommendation 推荐系统，chatbot聊天机器人，demand forecasting 需求预测
（3）healthcare 健康： alerts from real-time patient data 患者实时监控，disease identification 疾病诊断
（4）Finance 金融：fraud detection 欺诈检测，application processing 应用处理
（5）automobile 汽车： breakdown prediction故障检测，self-driving自动驾驶
house sales prediction 房屋销售预测
the goal is to predict the bid price for the winning buyer 目的是为了预测中标的买家的价格
ML workflow 机器学习的流程
（1）formulate problem 问题公式化描述，focus on the most impactful industrial problems(self-service supermarket,sel-driving cars)关注最具影响力的行业问题(自助超市、自动驾驶汽车)
（2）data数据：high-quality data is scarce，privacy issues高质量的数据稀缺，还涉及到隐私问题
（3）train models 训练模型：models are more and more complex ，data-hungry，expensive 模型越来越复杂,数据匮乏,昂贵
（4）deploy model模型部署：heavy computation is not suitable for real-time inference 繁重的计算量不适用于实时推理
（5）monitor监控：data distributions shifts，fairness issues 数据分布变化，公平性问题
Rolse 角色
（1）domain experts 领域专家：have business insights,know what data is important and where to find it ,identify the real impact of a ML model 有业务洞察力，知道什么数据是重要的，在哪里可以找到它，确定ML模型的真正影响
（2）data scientistes数据科学家：full stack on data mining ,model training and deployment 数据挖掘、模型培训和部署的全栈科学家
（3）ML experts 机器学习专家：customize SOTA ML models 定制化 SOTA 机器学习模型
（4）SDE高级软件工程师:develop/maintain data pipelines,model training and serving piplines 开发/维护数据管道，模型培训和服务管道职业规划&数据科学家时间分配问题
4. course topics 课程主题
techniques a data scientist needs but often not taught in university ML/stats/programming courses这些技术是数据科学家需要的，但通常不会在大学ML/stats/编程课程中教授
（1）data数据：collect/preprocess data 收集和预处理数据 ;covariate/concepts/label shifts 协变量/概念/标签的变化
（2）train训练：model validation/combinations/tuning 模型验证/组合/调优;transfer learning迁移学习；multi-modality多模态
（3）deploy部署： model deployment 模型部署；distillation 模型蒸馏
（4）monitor监控：fairness公平，explainablity可解释性
（1）companies are adopting ML 大量公司正在搞机器学习
（2）a ML workflow includes:formulating the problem,preparing data,training and deploying ML models,monitoring一个ML工作流包括:制定问题、准备数据、训练和部署ML模型、监控
（3）this course will teach technologies a data scientist needs in ML workflows stages 本课程将教授数据科学家在ML工作流阶段所需要的技术
