GokuMohandas/Made-With-ML

项目概览

该课程在讲解每个机器学习概念时均在编写代码前先构建原理性理解，并提供了基于 Ray 的本地 HTTP 端点预测服务示例与 MLflow 实验追踪实践。

项目类型

AI 编程 · AI 工作流 · 模型开发 · 学习资源

应用场景

学习教育

部署方式

查看项目说明

License

MIT

适合谁

• 希望系统学习并实践如何将软件工程实践应用于生产级机器学习系统构建的开发者。

核心能力

• 提供用于学习设计、开发、部署和迭代生产级机器学习应用的教学课程与配套代码。
• 包含一个 Jupyter 笔记本，用于以交互方式演示和引导开发者了解核心机器学习工作负载。
• 提供遵循软件工程实践的 Python 脚本示例，涵盖数据、训练、微调、评估、预测和服务等完整工作流。
• 演示如何使用 MLflow 追踪实验、存储模型，并通过其追踪界面查看实验。
• 记录了如何启动基于 Ray 的应用程序，并向本地 HTTP 端点发送预测请求。

限制与风险

• 虽然课程可以在个人笔记本电脑上运行，但与在更大集群上运行相比，工作负载的执行速度会较慢。

如何开始

• 本地工作流需要克隆代码仓库，创建并激活 Python 虚拟环境，安装依赖项并运行设置命令。模型服务部分还需要启动 Ray 并使用模型运行 ID 运行 Python 服务脚本。快速上手路径包括：克隆仓库、创建并激活 Python 虚拟环境、安装仓库依赖项，然后打开提供的 Jupyter 笔记本或运行 Python 脚本。

核验依据

• GitHub 项目简介: Learn how to develop, deploy and iterate on production-grade ML applications.
• README: Learn how to combine machine learning with software engineering to design, develop, deploy and iterate on production-grade ML applications.
• README: - **⚙️ MLOps**: connect MLOps components (tracking, testing, serving, orchestration, etc.) as we build an end-to-end machine learning system.
• README: Join 40K+ developers in learning how to responsibly deliver value with ML.
• README: Start by exploring the [jupyter notebook](notebooks/madewithml.ipynb) to interactively walkthrough the core machine learning workloads.

来源更新时间：2026-07-16T18:09:22Z

打开原始 GitHub 项目