harvard-edge/cs249r_book

项目概览

该项目以 Hennessy & Patterson 的量化教学模式为框架，配套基础设施模拟器与硬件部署实验，让你无需真实物理集群即可推演内存与网络瓶颈。

项目类型

模型运行 · 基础设施 · 学习资源

应用场景

学习教育

部署方式

查看项目说明

License

License 待确认

适合谁

• 希望采用其教学大纲与课件体系开设相关课程的教育工作者。
• 需要深入理解机器学习系统底层原理与量化推理的研究者与开发者。

核心能力

• 一套分为两卷的教科书，采用 Hennessy & Patterson 的教学模式，教授机器学习系统背后的理论、心智模型和量化推理。
• 一套包含20个模块的渐进式教育套件，指导从零开始构建属于自己的机器学习框架。
• 用于在无法接触物理硬件的条件下，计算并模拟大规模基础设施下的内存瓶颈、网络饱和与调度限制。
• 面向机器学习系统岗位的物理驱动型面试题库，包含练习库、模拟面试与进度追踪功能。
• 面向 Arduino、Seeed、Grove 和 Raspberry Pi 设备的部署套件，用于直面真实的内存限制、功耗预算与延迟。
• 提供名为 AI Engineering Blueprint 的教学方案：包含两个16周的教学大纲、教学法指南、评估量规以及助教手册。
• 提供每个章节的 Beamer 幻灯片，附带四种主题样式，可直接用于课程教学。
• 一个探索性项目，旨在为静态学习网站提供 AI 引导阅读、情境化测验与间隔重复学习功能。

限制与风险

• 本项目并非用于连接当今主流工具的MLOps指南或操作手册，而是侧重于底层物理原理。

如何开始

• 由于主交互途径为托管网页书，无需配置即可访问；初始成功路径为直接访问网页阅读教科书。

核验依据

• README: 📘 Textbook
• GitHub 项目简介: Machine Learning Systems
• GitHub 仓库资料: courseware
• README: The world is rushing to build AI systems. It is not engineering them.
• README: building efficient, reliable, safe, and robust intelligent systems that operate in the real world, not just models in isolation.

内容核验时间：