s2025：构建生产级机器学习系统的全面课程

s2025：构建生产级机器学习系统的全面课程

s2025 项目地址: https://gitcode.com/gh_mirrors/s2/s2025

项目介绍

s2025 是卡内基梅隆大学（CMU）提供的一门课程，旨在教授学生如何构建、部署、保障和维护集成了机器学习模型的软件产品。课程涵盖了从原型机器学习模型到生产环境中部署的整个生命周期，同时重点关注了负责任的AI（包括安全性、保密性、公平性和可解释性）以及MLOps（机器学习运维）。这门课程适合具有一定数据科学经验（如已完成机器学习课程、使用过sklearn等工具）和基本编程技能（如能进行基本的Python编程，熟悉Unix壳）的学生，无需具备软件工程背景。

项目技术分析

s2025 课程深入探讨了机器学习模型在生产环境中的应用，不仅关注模型本身的构建，还着重于模型在实际生产环境中的部署、质量和维护。课程内容涉及：

• 设计生产系统时如何处理模型可能出现的错误预测，确保系统的安全性和保密性。
• 如何可靠地部署和更新生产中的模型，使用MLOps工具自动化和扩展部署过程。
• 如何扩展生产中的机器学习系统，处理大量的训练数据、遥测数据和用户请求。
• 生产中机器学习系统的测试和调试方法，以及如何评估模型预测的质量。
• 机器学习模型在生产环境中除了预测准确性之外的其他重要质量要求，如延迟、运营成本、可扩展性、可解释性、公平性、隐私和安全性。

项目技术应用场景

s2025 课程的案例研究包括自动化音频转录、分布式监控、智能医疗健康服务、自动化幻灯片布局、智能推荐系统等多种实际应用场景。课程中的长期项目是构建、部署、评估和维护一个拥有100万用户的电影推荐服务，模拟真实的生产环境。

项目特点

s2025 课程的独特之处在于：

• 跨学科团队协作：课程旨在建立软件工程师和数据科学家之间的工作关系，促进不同角色的沟通和协作。
• 实践导向：课程不仅教授理论知识，还通过实际项目让学生动手实践，掌握生产级机器学习系统的构建和维护。
• 负责任的AI教育：课程强调在构建机器学习产品时，需要考虑安全性、保密性、公平性和可解释性等伦理和社会影响。
• 持续更新：课程内容会根据最新的研究和技术工具进行更新，确保学生能够掌握最前沿的知识。

学习成果

完成s2025课程后，学生应能够：

• 分析设计生产系统时机器学习组件的各种权衡，如运营成本、延迟、更新性和可解释性。
• 规划并实现能够容错的生产质量系统。
• 设计容错和可扩展的数据基础设施。
• 通过自动化测试和其他质量保证技术确保整个机器学习管道的质量。
• 构建可测试和监控的生产系统，建立稳健的部署管道。
• 在构建复杂的机器学习产品时，考虑系统级的要求，如安全性、保密性、公平性和可用性。
• 在跨学科团队中有效沟通。

总之，s2025课程是一门全面的教育项目，旨在培养学生在生产环境中构建和维护机器学习系统的能力，同时注重跨学科合作和负责任的AI实践。这门课程适合所有希望深入了解机器学习在真实世界应用的学生。

s2025 项目地址: https://gitcode.com/gh_mirrors/s2/s2025