课程概要

案例背景介绍：
常规的机器学习平台，在落地使用容易遇到几大问题：1）数据大模型训练时间长，更新不及时，2）特征更新慢，特征工程工作量大，训练时有特征穿越问题，3）尝试新模型时，准备工作长，上手难等问题

解决思路/成功要点：
1、引入特征服务，统一管理特征数据；2、自研参数服务器，解决大规模数据训练问题；3、使用k8s构建机器学习平台，可方便的创建不同模型训练任务

成果：
平台上线之初，模型效果显著，对推荐文章的点击率有10%以上提升；后续为各类模型迭代优化提供了极大便利，半年时间内，平台上有多个改进模型有明显效果，累加对pv和时长有5%以上提升；目前平台支持着大量的模型实验，正在运行的模型大概20左右

听众收益

1、了解常见的机器学习方法如何落地使用、工程化； 2、了解当一些开源方案无法支持大数据、高并发场景下的优化方案 3、流式训练模型，实时计算场景的落地方案