MLOps Zoomcamp：一门免费的9周课程，教你如何将机器学习服务投入生产

MLOps（机器学习运维）是许多数据从业者必须掌握的一项技能。从训练与实验到部署与监控，全面掌握MLOps的基础知识。

加入Slack • #course-mlops-zoomcamp频道 • Telegram公告 • 课程播放列表 • 常见问题解答 • 在推特上分享课程

如何参加MLOps Zoomcamp

2025届

• 开课日期：2025年5月5日
• 报名链接：立即报名
• 保持更新：订阅我们的Google日历（仅限桌面端）

自学模式

所有课程资料均可免费获取，供自主学习使用。请按照以下步骤进行：

1. 观看课程视频。
2. 加入Slack社区。
3. 参考FAQ文档以获得指导。

课程大纲

本课程由结构化的模块、实践工作坊以及一个最终项目组成，旨在巩固你的学习成果。每个模块都会介绍核心的MLOps概念和工具。

先修条件

为了更好地学习本课程，建议你具备以下经验：

• Python编程
• Docker基础
• 命令行操作基础
• 机器学习相关知识（例如通过ML Zoomcamp学习）
• 至少一年的编程经验

课程模块

模块1：导论

• 什么是MLOps？
• MLOps成熟度模型
• 纽约出租车数据集（我们的示例）
• 为什么MLOps至关重要
• 课程结构与环境搭建
• 作业

模块2：实验跟踪与模型管理

• 实验跟踪简介
• MLflow基础
• 模型保存与加载
• 模型注册表
• MLflow实操练习
• 作业

模块3：编排与机器学习流水线

• 工作流编排
• 作业

模块4：模型部署

• 部署策略：在线（Web、流式处理）与离线（批处理）
• 使用Flask部署Web服务
• 利用AWS Kinesis与Lambda进行流式部署
• 批量评分用于离线处理
• 作业

模块5：模型监控

• 监控基于机器学习的服务
• 使用Prometheus、Evidently和Grafana监控Web服务
• 使用Prefect、MongoDB和Evidently监控批处理任务
• 作业

模块6：最佳实践

• 单元测试与集成测试
• Linting、代码格式化及pre-commit钩子
• 使用GitHub Actions实现CI/CD
• 基础设施即代码（Terraform）
• 作业

最终项目

• 整合课程所有概念的端到端项目

社区与支持

在Slack寻求帮助

加入DataTalks.Club Slack中的#course-mlops-zoomcamp频道，参与讨论、解决问题并拓展人脉。

为保持讨论有序：

• 发布问题时，请遵循提问指南。
• 请阅读社区准则。

讲师团队

• Cristian Martinez
• Alexey Grigorev
• Emeli Dral

赞助商与支持者

如果您有意支持我们的社区，请联系alexey@datatalks.club。

关于DataTalks.Club

DataTalks.Club是一个面向全球数据爱好者的在线社区。这里是我们讨论数据、学习新知、分享知识、答疑解惑并相互支持的地方。

官网 • 加入Slack社区 • 邮件通讯 • 即将举行的活动 • Google日历 • 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，并就数据相关的各种话题、职业发展等问题展开讨论。

在DataTalksClub，我们定期举办线上活动、社区互动以及免费课程。更多关于我们所做工作的信息，请参阅DataTalksClub社区导航。

MLOps Zoomcamp 快速上手指南

MLOps Zoomcamp 是一个为期 9 周的免费课程，旨在帮助数据专业人员掌握从模型训练、实验跟踪到部署和监控的生产级机器学习技能。本指南将帮助你快速搭建环境并开始学习。

环境准备

在开始之前，请确保你具备以下前置知识和系统环境：

前置知识要求

• 编程语言：熟练掌握 Python
• 容器化：了解 Docker 基本概念
• 命令行：熟悉 Linux/Mac 终端或 Windows PowerShell 基本操作
• 机器学习基础：建议已完成 ML Zoomcamp 或具备同等经验
• 开发经验：拥有 1 年以上编程经验

系统依赖

• Python 3.8+
• Docker Desktop (Windows/Mac) 或 Docker Engine (Linux)
• Git
• 云账户（可选，用于 AWS Kinesis/Lambda 等模块，可使用免费层级）

安装步骤

本课程主要通过克隆仓库并跟随模块指引进行学习。

1. 克隆课程仓库

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

2. 创建虚拟环境并安装依赖 建议为每个模块单独创建环境，以下为通用初始化步骤：

   python -m venv venv
   source venv/bin/activate  # Windows 用户使用: venv\Scripts\activate
   pip install --upgrade pip
   

3. 安装模块特定依赖 进入具体模块目录（例如 01-intro 或 02-experiment-tracking），安装该模块所需的 requirements.txt：

   cd 02-experiment-tracking
   pip install -r requirements.txt
   

   注：国内用户若遇 pip 下载缓慢，可临时使用清华源加速：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

4. 验证 Docker 安装

   docker --version
   docker run hello-world
   

基本使用

课程采用模块化学习路径，建议按顺序完成视频观看、代码实践和作业。

启动第一个模块：简介与实验设置

1. 进入模块目录：

   cd 01-intro
   

2. 阅读 README.md 了解本模块目标（如 MLOps 成熟度模型、NY Taxi 数据集介绍）。

3. 运行示例脚本（以数据处理为例）：

   python preprocess.py
   

实践实验跟踪（Module 2 示例）

1. 启动 MLflow 服务器（本地模式）：

   mlflow ui --host 0.0.0.0 --port 5000
   

   浏览器访问 http://localhost:5000 查看界面。

2. 运行训练脚本自动记录实验：

   python train.py
   

3. 在 MLflow 界面中查看生成的 Run ID、指标和保存的模型。

加入社区获取支持

• Slack 讨论区：加入 DataTalks.Club Slack 并进入 #course-mlops-zoomcamp 频道。
• 课程视频：访问 YouTube 播放列表 观看教学录像。
• 日历订阅：订阅 Google Calendar 获取直播和截止日期提醒（需桌面端操作）。

按照上述步骤，你即可顺利开启 MLOps Zoomcamp 的学习之旅。后续模块将逐步深入编排、部署、监控及最佳实践等内容。