除非你过着隐居的生活，否则你一定听说过 MLOps，你可能至少对它有一个大致的了解。
对于那些隐居在洞穴中的隐士们，MLOps 是一系列用于机器学习模型部署和生命周期维护的程序、实施和实践。如果你熟悉 DevOps——一种用于软件持续开发的类似方法——你会注意到，MLOps 是机器学习（ML）与 DevOps 中相同的 'Ops' 的合成词。
根据 ml-ops.org，这是 Dr. Larysa Visengeriyeva、Anja Kammer、Isabel Bär、Alexander Kniesz 和 Michael Plöd 创建的一个信息性网站：
通过机器学习模型操作化管理（MLOps），我们旨在提供一个端到端的机器学习开发过程，以设计、构建和管理可复现、可测试和可演变的 ML 驱动的软件。
MLOps 不是一种流行的术语；它是一种哲学（哲学？），用于在现实世界中管理机器学习项目，从其起始到（希望！）随着时间的推移持续更新。不要被误导以为当代机器学习只是创建 Jupyter 笔记本中的模型；学习 MLOps 并在现实世界中发挥作用。这是开始学习之旅的一个不错的地方。
但如果你想快速、简洁地了解 MLOps 是什么，以及它如何有用呢？由 ZenML 的 Hamza Tahir 指导的免费 CodeCamp 课程 "免费 MLOps 初学者速成课程"，在紧凑的一小时讨论中很好地回答了这些问题以及更多。
该课程基于 ZenML，这是一个允许你“构建可移植的、生产就绪的 MLOps 管道”的框架。
ZenML 帮助你将 ML 管道 标准化，由解耦的、模块化的 步骤 组成。这使你能够编写可移植的代码，并在几秒钟内将其从实验转移到生产环境。
不要被只有一个小时的时长所迷惑。尽管你不会在讨论结束时成为 MLOps 英雄，但你应该根据课程内容学到以下知识：
1. 什么是 MLOps（机器学习操作化），以及它为何必要。
2. 什么是机器学习管道。
3. 如何从零开始创建和部署一个完全可复现的 MLOps 管道。
4. 学习连续训练、漂移检测、警报和模型部署的基础知识。
涵盖的主题完整列表如下：
-
介绍
-
关于 MLOps
-
生产中的机器学习
-
部署后的问题
-
模型过时
-
模型中心 vs 数据中心
-
重点总结
-
ZenML 演示
你可以在这里查看课程幻灯片。
你可以在下面找到课程，或者点击链接到 YouTube 上观看。
Matthew Mayo (@mattmayo13) 是数据科学家及 KDnuggets 的主编，这是一个开创性的在线数据科学和机器学习资源。他的兴趣包括自然语言处理、算法设计与优化、无监督学习、神经网络以及自动化机器学习方法。Matthew 拥有计算机科学硕士学位和数据挖掘研究生文凭。他可以通过 editor1 at kdnuggets[dot]com 联系。
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你所在组织的 IT 工作