Diseño de un sistema de feeds al estilo de Twitter con clasificación de relevancia de ML

Crear un feed moderno que mantenga la interacción de millones de usuarios requiere algo más que consultas de base de datos. Exige un sistema de aprendizaje automático sólido. Este curso basado en texto lo guía a través de los conceptos fundamentales para diseñar un feed de recomendaciones altamente escalable y basado... Al estudiar componentes básicos como la generación de candidatos, la ingeniería de características y la inferencia en tiempo real, aprenderá a diseñar sistemas que entreguen contenido relevante a los usuarios en milisegundos. Qué aprenderá: Comprender la arquitectura fundamental de los sistemas de recuperación y clasificación de feeds; Definir y abarcar los requisitos del sistema para millones de usuarios activos diarios; Diseñar una canalización de recomendación de dos etapas que incluya generación de candidatos y clasificaciones pesadas; Aplicar técnicas modernas de ingeniería de características para predecir la participación del usuario y Explorar estrategias de evaluación, incluidas las métricas fuera de línea y las metodologías de pruebas A/B en línea; Configurar canalizaciones de datos escalables para actualizaciones de características en tiempo real e inferencia de modelos. El curso comienza con la terminología esencial y los fundamentos del diseño de sistemas antes de sumergirse en la mecánica de los modelos de clasificación de ML y las tuberías de datos de alto rendimiento.A través de explicaciones escritas claras, recorridos prácticos de arquitectura y ejercicios de diseño, construirá un plan sólido para motores de recomendación de feeds escalables. Este curso está diseñado para ingenieros de software principiantes, aspirantes a diseñadores de sistemas y científicos de datos que buscan comprender el lado de la arquitectura del sistema del aprendizaje automático; no se requiere experiencia previa con el diseño de sistemas complejos.Comience a leer hoy para dominar los fundamentos del diseño de sistema de ML a gran escala.