机器学习哪些算法最流行（是时候学习机器学习系统设计了）
机器学习哪些算法最流行（是时候学习机器学习系统设计了）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。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
机器之心报道
作者：蛋酱
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！
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：
传送门：https://stanford-cs329s.github.io/syllabus.html
