Made With ML 生产级机器学习实战
由 GokuMohandas 打造的开源课程，系统讲解如何设计、开发、部署与迭代生产级机器学习应用，涵盖数据工程、分布式训练、LLMOps 与 CI/CD 等全链路实践。
过去 7 天收获 1 颗 Star
爱鲜报评分
0.0
0 人评分
5k
星数
否
中文
Jupyter Notebook
主语言
是
活跃
1
贡献者
人工分析
EDITORIAL推荐理由
该项目以第一性原理讲解 ML 概念，并结合软件工程最佳实践，提供从实验到生产的完整代码与 Notebook 示例。适合希望跨越理论与工程鸿沟的开发者，尤其对 MLOps 和 LLMOps 感兴趣的人群。课程内容持续更新，社区活跃，是学习生产级 ML 的优质资源。
适用场景
- 机器学习工程师系统学习 MLOps 全流程
- 数据科学家转型生产级 ML 开发
- 高校学生补充工业界实战技能
- 团队搭建 ML 项目工程化规范参考
- LLMOps 与分布式训练入门实践
优点
- 内容覆盖设计、开发、部署、迭代完整闭环
- 强调第一性原理与软件工程最佳实践
- 提供可运行的 Jupyter Notebook 与代码示例
- 集成 Ray 实现分布式训练与扩展
- 包含 CI/CD 与 MLOps 工具链实战
缺点
- 课程以英文为主，中文用户需一定英语基础
- 部分章节依赖 Anyscale 云平台，本地运行需额外配置
- 内容深度较大，初学者可能需前置知识
- 代码示例基于特定技术栈，迁移需调整
上手难度
进阶
Made With ML 生产级机器学习实战
Made With ML 是一个开源课程项目，旨在帮助开发者掌握如何将机器学习与软件工程结合，构建可靠的生产级 ML 应用。课程从实验（设计与开发）逐步过渡到生产（部署与迭代），强调第一性原理和工程最佳实践。
课程内容
- 第一性原理：在写代码之前，深入理解每个 ML 概念的本质。
- 最佳实践：在开发和部署模型时融入软件工程规范。
- 规模化：使用 Python 和 Ray 轻松扩展数据、训练、调参和服务负载。
- MLOps：连接跟踪、测试、服务、编排等组件，构建端到端系统。
- CI/CD：创建成熟的持续集成与部署流程，模块化地训练和部署更好的模型。
适合人群
- 所有开发者（软件/基础设施工程师、数据科学家）
- 希望弥补学校课程与工业实践差距的毕业生
- 想要建立技术基础的产品/领导者
快速开始
课程提供 Jupyter Notebook 供交互式学习，并支持本地、Anyscale 集群及 Kubernetes 等多种环境。本地运行需配置 Python 虚拟环境并安装依赖：
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
jupyter lab notebooks/madewithml.ipynb
详细步骤请参考官方课程网站与仓库文档。
技术栈
项目主要使用 Python、PyTorch、Ray 等工具，涵盖数据工程、分布式训练、LLMOps 等主题，适合进阶学习者深入 MLOps 领域。
评论
- 暂无评论，来写第一条吧。