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

设为 “星标”，DLCV消息即可送达！

转自 | 机器之心

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

推荐阅读：

图像分割2020总结：结构，损失函数，数据集和框架

贝叶斯深度学习（Bayesian Deep Learning）2020 最新研究总结

一文看懂CV中的注意力机制