Home

将机器学习与软件工程相结合，设计、开发develop、部署deploy和迭代iterate生产级ML应用程序。

概述

从实验（设计 + 开发）逐步过渡到生产（部署 + 迭代）。通过逐步激发那些能够构建可靠生产系统的组件来完成这一过程。

💡 第一原则：在我们直接进入编码之前，我们会为每个机器学习概念建立第一原则的理解。 💻 最佳实践：在开发和部署机器学习模型时，我们会实施软件工程的最佳实践。 📈 扩展：在Python中轻松扩展机器学习工作负载（数据、训练、调整、提供服务），而无需学习全新的语言。 ⚙️ MLOps：当我们构建端到端的机器学习系统时，连接MLOps组件（跟踪、测试、提供服务、编排等）。 🚀 从开发到生产：学习如何快速而可靠地从开发过渡到生产，而不需要对我们的代码或基础设施管理进行任何更改。 🐙 CI/CD：学习如何创建成熟的CI/CD工作流程，以模块化的方式持续训练和部署更好的模型，这与任何技术堆栈都可以集成。

虽然具体任务涉及为监督任务微调LLM，但都可以轻松扩展到所有应用（自然语言处理、计算机视觉、时间序列等）、模型（回归 → LLM）、数据模态（表格、文本等）、云平台（AWS、GCP）以及规模（本地 → 分布式集群）。