这是一门新的课程——在学习了算法、框架等内容后,是时候深入了解一下「机器学习系统设计」了!
机器之心报道,作者:蛋酱。
近日,斯坦福大学宣布开设一门全新课程:CS 329S《机器学习系统设计》。
课程主页:https://stanford-cs329s.github.io/
这门课程的主讲人、计算机科学家 Chip Huyen 也在推特上认真宣传了一波(很多人应该都读过她的博客文章,因为这位小姐姐确实很有名气)。
机器学习系统设计的概念是指,为了满足特定要求,针对机器学习系统对软件体系架构、基础架构、算法和数据进行定义的过程。虽然现有的系统也可以满足大部分模型搭建的需求,但我们必须承认:首先,工具空间是不断革新的;其次,业务需求是不断变化的;最后,数据分布也是持续更替的。因此,「系统」是很容易过时的。如果不能及时更新,那么出错、崩溃都是可以预料的。这也是本门课程开设的初衷。
本门课程旨在为现实中的机器学习系统提供一个迭代框架,该框架的目标是构建一个可部署、可信赖、可扩展的系统。首先要考虑的是每个 ML 项目的利益相关者及目标,不同的目标则需要不同的设计选择,且要考虑如何权衡。
课程涵盖了从项目界定、数据管理、模型开发、部署、基础架构、团队架构到业务分析的所有步骤,在每个步骤中,都会探讨不同解决方案的动机、挑战和局限性。在课程的最后一部分,将会探讨机器学习生产生态系统的未来。学生们还将学习关于隐私、公平、安全方面的知识。
学习这门课程的学生应该满足以下条件:
- 具备基本的计算机科学原理和技能知识,能够编写一般的计算机程序(比如完成了 CS106B / X 等课程);
- 对机器学习算法有着良好的掌握(比如完成了 CS229、CS230、CS231N、CS224N 等课程);
- 熟悉至少一个框架,比如 TensorFlow,PyTorch,JAX;
- 熟悉基本的概率论(比如完成 CS109 或 Stat116 等课程)
鉴于大多数课程都会使用 Python,因此也建议选择这门课程的学生了解一点 Python 知识。
这门课程没有教科书,主要依赖于课堂讲义和一些阅读材料。课程视频都会被录制保存,目前仅开放给校内学生,暂未决定是否公开发布。
讲师介绍
课程讲师 Chip Huyen 来自越南,是一位作家和计算机科学家,本科和硕士均就读于斯坦福大学计算机科学专业,此前曾在英伟达、Netflix 等公司工作。Chip Huyen 开设过一些受欢迎的课程,比如《TensorFlow for Deep Learning Research》,在 GitHub 平台也有很多热门项目。
Chip Huyen 主页:https://github.com/chiphuyen
此前,Chip Huyen 还撰写过很多热门文章,比如《机器学习系统设计指南》、《十大优质免费机器学习课程资源》、《202 个热门机器学习工具评测》等教程。
课程大纲
最后我们来了解一下课程进度。根据现有计划,课程大纲如下(具体以实际授课情况为准)
第 1 周:机器学习系统设计概述
- 何时使用机器学习
- 研究中的机器学习与生产中的机器学习
- 机器学习系统与传统软件
- 机器学习生产中「虚构」的那些事儿
- 机器学习应用
- Case Study
第 2 周:迭代过程
- 好的机器学习系统的原理
- 迭代过程
- 计划范围
第 3 周:数据管理
- 现实世界的数据挑战
- 如何收集、存储和处理海量数据
- 数据 pipeline 的不同层
- 数据处理器 & 显示器
- 数据控制器
- 数据存储
- 数据提取:数据库引擎
第 4 周:创建训练数据集
- 特征工程
- 数据标签
- 数据泄露
- 数据分区、切片和采样
第 5 周:构建和训练机器学习模型
- Baseline
- 模型选择
- 训练、调试和实验跟踪
- 分布式训练
- 评估和基准
- AutoML
第 6 周:部署
- 推理约束
- 模型压缩与优化
- 训练服务偏差
- 概念漂移
- 服务器端 ML & 客户端 ML
- 缓释策略
- 部署评估
第 7 周:项目节点讨论
- 道德问题
第 8 周:监控及维护
- 监控内容
- 指标、日志记录、标签、警报
- 更新和回滚
- 迭代改进
第 9 周:硬件和基础架构
- 架构选择
- 硬件设计
- 边缘设备
- 云私人数据中心
- 高性能计算的未来
第 10 周:将 ML 整合到业务中
- 模型性能与业务目标与用户体验
- 团队架构
- 为什么机器学习项目会失败
- 最佳实践
- 机器学习生产现状
目前完成授课的部分均已上传笔记和 PPT 资料,需要的自取:
来源:oschina
链接:https://my.oschina.net/u/4383937/blog/4926506