是时候学习机器学习系统设计了!斯坦福CS 329S开课,课件、笔记同步更新
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