机器学习Zoomcamp：免费的4个月机器学习工程课程

包含作业和项目截止日期及提交表单的课程平台 • Slack上的课程频道（#course-ml-zoomcamp） • Telegram公告 • 课程播放列表 • 常见问题解答 • 分享关于该课程的推文

从核心模型到实际应用的部署，全面学习机器学习工程。

使用Python构建回归和分类模型，掌握线性/逻辑回归、决策树和深度学习等关键算法，并通过Docker、FastAPI、Kubernetes和AWS Lambda将其部署到生产环境。

目录

• 本课程简介
• 先决条件
• 如何加入
• 课程大纲
• 社区与帮助
• 证书
• 赞助商
• 关于DataTalks.Club

关于ML Zoomcamp

Machine Learning Zoomcamp教授完整的机器学习工程知识，涵盖整个流程：从用Python构建模型到将其部署到生产环境中。

你将掌握线性回归、逻辑回归、决策树以及使用TensorFlow和PyTorch进行深度学习等关键机器学习算法，随后学习如何使用Docker容器化、用FastAPI构建API，并借助Kubernetes和AWS Lambda实现规模化部署。

先决条件

你需要：

• 至少1年以上的编程经验
• 熟悉命令行基础操作

你无需具备机器学习方面的任何先验知识。我们将从基础知识开始。

技术准备：对于机器学习模块，你只需要一台连接互联网的笔记本电脑即可。而在深度学习部分，我们将使用云资源来进行更密集的计算。

如何加入

你可以选择跟随直播班级或按照自己的节奏学习来加入ML Zoomcamp。

本仓库中提供了所有免费的学习资料。每个模块都有独立的文件夹（例如01-intro、03-classification），而针对不同班级的作业和截止日期则位于cohorts目录下。讲座均为预先录制好的视频，可在本YouTube播放列表中观看。

flowchart TD
    A["想学习Machine Learning Zoomcamp"] --> B{"你是否需要<br/>截止日期和证书？"}

    B -->|是| C["加入直播班级"]
    B -->|否 / 不确定| D["自主学习"]

    C --> C1["固定时间表（9月–12月）"]
    C --> C2["有评分的作业 + 排行榜"]
    C --> C3["2个项目 + 同行评审"]
    C --> C4["可获得证书"]

    D --> D1["随时开始，按自己的节奏进行"]
    D --> D2["无评分的作业及可选项目"]
    D --> D3["无法获得证书"]

选项1：自主学习

你可以随时开始学习。你将获得对所有资料的完全访问权限，并在Slack上得到社区支持。

完成作业：作业及其解答可在课程平台上找到。为你的作品集构建一个项目。

在自主学习模式下，作业不计分，项目也不会接受同行评审，因此你无法获得证书。

选项2：直播班级

2025届班级：9月15日开课。请在此处报名：填写此表格

每年举办一次（9月至12月）。

包括：

• 更新后的作业
• 自动作业评分及排行榜
• 项目同行评审
• 达到所有要求后可获得证书

即使你在正式开课日期之后加入，仍然可以跟上进度——但请注意，某些作业表单可能已经关闭。所有当前有效的截止日期都列在课程平台上。

要获得证书，你需要足够的时间来完成两个项目以及所需的同行评审。详细信息请参阅“项目”和“证书”章节。

对比

我们在这张表格中总结了两种加入方式之间的主要区别：

特性	自主学习	播放班级
时间安排	按自己的节奏学习，随时开始	固定的4个月时间表（每年9月–12月）
课程材料	完全访问GitHub仓库和YouTube讲座	完全访问GitHub仓库和YouTube讲座
社区支持	可访问Slack社区（#course-ml-zoomcamp）	可访问Slack社区（#course-ml-zoomcamp）
作业	提供但不计分	自动作业评分，并显示在排行榜上
项目	自行完成，不进行评估	提交2个项目（期中+结业项目 或 两份结业项目）并接受同行评审
证书	无法获得	完成项目和同行评审后可获得
结构	灵活，无截止日期	每周有固定的节奏，设有截止日期和同伴监督

准备好开始了吗？加入2025届班级或从模块1开始

课程大纲

模块	描述	主题
模块1：机器学习导论	学习机器学习的基础知识：什么是机器学习、何时使用以及如何利用CRISP-DM框架来解决机器学习问题。	• 机器学习与基于规则的系统 • 监督学习基础 • CRISP-DM方法论 • 模型选择概念 • 环境搭建
模块2：回归任务的机器学习	在学习线性回归、特征工程和正则化的同时，构建一个汽车价格预测模型。	• 线性回归（从零开始实现及使用scikit-learn） • 探索性数据分析 • 特征工程 • 正则化技术 • 模型验证
模块3：分类任务的机器学习	使用逻辑回归创建客户流失预测系统，并学习特征选择方法。	• 逻辑回归 • 特征重要性和选择 • 分类变量编码 • 模型解释
模块4：分类模型的评估指标	学习如何正确评估分类模型，并处理不平衡数据集。	• 准确率、精确率、召回率、F1分数 • ROC曲线与AUC • 交叉验证 • 混淆矩阵 • 不平衡类别处理
模块5：机器学习模型部署	将你的模型转化为Web服务，并通过Docker和云平台进行部署。	• 使用Pickle序列化模型 • FastAPI Web服务 • Docker容器化 • 云上部署
模块6：决策树与集成学习	学习基于树的模型和集成方法，以获得更好的预测效果。	• 决策树 • 随机森林 • 梯度提升（XGBoost） • 超参数调优 • 特征重要性
期中项目
模块8：神经网络与深度学习	使用TensorFlow和Keras介绍神经网络，包括卷积神经网络和迁移学习。	• 神经网络基础 • PyTorch • TensorFlow与Keras • 卷积神经网络 • 迁移学习 • 模型优化
模块9：无服务器深度学习	使用AWS Lambda等无服务器技术部署深度学习模型。	• 无服务器概念 • 使用AWS Lambda部署scikit-learn模型 • 使用AWS Lambda部署TensorFlow和PyTorch模型 • API网关
模块10：Kubernetes与TensorFlow Serving	学习使用Kubernetes和TensorFlow Serving大规模部署机器学习模型。	• Kubernetes基础 • TensorFlow Serving • 模型部署与扩展 • 负载均衡
毕业设计1
毕业设计2

项目

选择一个你感兴趣的问题，找到合适的数据集，开发你的模型，并将其部署为Web服务。

本课程共有3个项目：

1. 期中项目，在完成模块6：决策树与集成学习之后；
2. 毕业设计1，在课程结束时，完成模块10：Kubernetes与TensorFlow Serving之后；
3. 毕业设计2，同样在课程结束时，完成模块10：Kubernetes与TensorFlow Serving之后。

这些项目将帮助你应用所学知识，并为你的GitHub和个人作品集增添亮点。

往届学员项目示例

一位学员项目中的本地Kubernetes集群部署架构（使用Kind）

往届学员的一些课程项目：

• 用于癌症预测的血细胞分类器：一个端到端工具，能够从显微镜图像中分割并分类血细胞，以辅助检测急性淋巴母细胞白血病（ALL）的迹象。
• 垃圾分类器：基于Xception的图像分类器，训练数据约15,000张垃圾图片，测试准确率达到93.3%，并通过封装在Docker中的Flask API提供预测服务。

结业证书

成功完成课程后颁发的Machine Learning Zoomcamp结业证书

要获得结业证书，你需要完成并提交两个项目：

1. 完成两个项目：提交一个期中项目和一个毕业设计，或者直接提交两个毕业设计；
2. 按时提交：在规定的截止日期前提交项目，方可获得认证资格；
3. 同行评审：在同行评审环节中，对三位同学的项目进行评估并提供反馈。

用户评价

机器学习Zoomcamp课程内容非常全面且深入，涵盖了从基础概念到模型准备与部署的全流程。无论是初学者还是有一定经验的从业者，都能从中受益。此外，课程背后的社区氛围也非常活跃，大家互相帮助、共同进步。我要感谢Alexey Grigorev分享的宝贵知识，以及他的团队为我们解决遇到的各种问题所提供的支持。

• Alexander Daniel Rios (来源)

在Alexey Grigorev的专业指导下，参加机器学习Zoomcamp课程是一段非常难忘的经历。我由衷地感谢Alexey、Timur以及DataTalksClub团队提供的这门课程，也感谢同期的同学们给予的宝贵支持，让我的学习体验更加丰富。这门课程设计严谨、讲解清晰，作业和实践项目都安排得当，不仅培养了我们按时完成任务的能力，还让我们掌握了应对实际问题的实用技能。

• Siddhartha Gogoi (来源)

在兼顾其他工作的同时完成密集的机器学习Zoomcamp课程并不容易，但这段经历极大地提升了我在机器学习工程领域的专业能力，坚定了我对ML部署和云技术的热情，并增强了我应对实际ML挑战的信心和韧性。感谢Alexey Grigorev带来的这门课程！

• Patrick Edosoma (来源)

强烈推荐ML Zoomcamp给任何希望系统性掌握生产级机器学习技术的人。特别感谢Alexey Grigorev以及DataTalksClub团队，他们打造了一门结构清晰、内容生动有趣的课程。

• Abdiaziz Mohamed (来源1, 来源2)

非常感谢Alexey Grigoriev创建了这样一门精彩的课程——而且还是免费的！这真的令人深受启发。

• Guilherme Pereira (来源)

衷心感谢Alexey Grigorev和DataTalksClub社区在整个学习过程中给予的大力支持与清晰指导。开源精神和协作式笔记让学习体验更加充实。

• Rajendra Rawale (来源)

准备好开始了吗？加入2025届学员或从模块1开始

社区与求助

寻求帮助的途径

• Slack: #course-ml-zoomcamp 频道
• 常见问题解答: 常见问题与解答
• 学习小组: 与其他学员交流互动

社区行为准则

• 请先查看常见问题解答
• 遵循我们的提问指南
• 保持乐于助人、尊重他人的态度
• 分享你的学习历程

公开学习

我们鼓励大家分享自己的学习进展！可以撰写博客文章、制作视频，或在社交媒体上使用#mlzoomcamp标签发布内容。这不仅能帮助你更好地吸收知识，还能拓展你的职业人脉。

小贴士: 公开分享学习经验还可以获得额外积分哦！

了解更多：公开学习

赞助商

有意赞助者请联系alexey@datatalks.club。

关于DataTalks.Club

DataTalks.Club 是一个全球性的数据爱好者在线社区。这里是一个讨论数据、学习知识、分享经验、答疑解惑并相互支持的平台。

官网 • 加入Slack社区 • 邮件通讯 • 即将举行的活动 • YouTube频道 • GitHub仓库 • LinkedIn主页 • Twitter账号

DataTalks.Club的大部分活动都在Slack平台上进行。我们会在那里发布最新动态，讨论数据相关话题、职业发展等问题等。

Machine Learning Zoomcamp 快速上手指南

Machine Learning Zoomcamp 是一门免费的 4 个月机器学习工程课程，涵盖从核心模型构建到生产环境部署的全流程。本指南将帮助你快速开始学习。

环境准备

系统要求

• 操作系统：Windows、macOS 或 Linux 均可。
• 硬件：
  • 普通机器学习模块：任意配备互联网连接的笔记本电脑即可。
  • 深度学习模块：课程将提供云端资源（如 Google Colab 或 Kaggle Kernels）用于高强度计算，本地无需高端 GPU。
• 前置技能：
  • 至少 1 年以上的编程经验。
  • 熟悉命令行基本操作。
  • 无需预先具备机器学习知识。

前置依赖

确保已安装以下基础工具：

• Python 3.8+
• Git
• Docker (用于模块 5 及之后的部署部分)
• 代码编辑器 (推荐 VS Code 或 PyCharm)

国内用户提示：建议配置国内镜像源以加速 Python 包下载。

# 临时使用清华源安装依赖示例
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本课程没有单一的“安装包”，而是通过克隆 GitHub 仓库获取所有学习资料、代码和数据集。

1. 克隆课程仓库

打开终端，执行以下命令获取最新课程内容：

git clone https://github.com/DataTalksClub/machine-learning-zoomcamp.git
cd machine-learning-zoomcamp

2. 创建虚拟环境

为每个模块或整体课程创建独立的 Python 虚拟环境（推荐使用 venv 或 conda）：

python -m venv ml-zoomcamp-env
source ml-zoomcamp-env/bin/activate  # Windows 用户使用: ml-zoomcamp-env\Scripts\activate

3. 安装基础依赖库

进入第一个模块目录并安装所需库（后续模块可能有额外的 requirements.txt）：

cd 01-intro
pip install -r requirements.txt

注：若遇到网络问题，请配合上述清华源命令使用。

4. 验证环境

运行模块内的示例 Notebook 或脚本，确保环境配置无误：

jupyter notebook
# 或在浏览器中打开对应的 .ipynb 文件运行测试代码

基本使用

课程采用模块化学习，每个文件夹（如 01-intro, 02-regression）包含该主题的视频链接、笔记、作业和数据集。

学习流程示例

以 模块 2：回归 (Regression) 为例：

1. 进入目录：

   cd ../02-regression
   

2. 观看视频与阅读笔记： 访问 YouTube 播放列表 观看对应章节，或阅读目录下的 README.md。

3. 运行代码示例： 打开提供的 Jupyter Notebook（例如 03-car-price.ipynb），逐步运行单元格以学习线性回归和特征工程：

   # 示例代码片段（来自课程笔记）
   import pandas as pd
   from sklearn.linear_model import LinearRegression
   
   df = pd.read_csv('data.csv')
   model = LinearRegression()
   model.fit(df[['feature1', 'feature2']], df['target'])
   

4. 完成作业：

   • 自学模式：直接在本地完成作业代码，无强制截止日期，无评分。
   • 直播班模式：需在 课程平台 提交答案以获得评分和排行榜名次。

5. 项目实战： 在完成模块 6（决策树）和模块 10（Kubernetes）后，分别进行期中项目和期末毕业设计。你需要选择一个感兴趣的问题，寻找数据集，训练模型并使用 Docker/FastAPI 将其部署为 Web 服务。

加入社区

遇到问题时，可加入官方 Slack 频道 #course-ml-zoomcamp 或 Telegram 公告频道获取帮助（需科学上网）。国内开发者也可在相关技术论坛搜索"ML Zoomcamp"寻找讨论组。

---

下一步：前往 01-intro 文件夹开始你的第一个机器学习任务，或访问 课程注册页面 加入 2025 直播班。