Machine Learning Engineering for Production

Welcome to the public repo for deeplearning.ai's Machine Learning Engineering for Production Specialization.

Here you will find public resources for the courses of this specialization.

Want to contribute?

At the time being we are not accepting Pull Requests but if you have any suggestion or spot any bug please raise an issue.

Machine Learning Engineering for Production 快速上手指南

本仓库是 deeplearning.ai "Machine Learning Engineering for Production" 专项课程的配套公共资源库，主要包含课程相关的代码示例、笔记和辅助材料。

注意：目前该仓库不接受 Pull Requests。如果您发现错误或有任何建议，请通过 GitHub Issues 进行反馈。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：推荐 Python 3.8 或更高版本
• 前置依赖：
  • Git（用于克隆仓库）
  • pip 或 conda（用于管理依赖包）
  • 基础机器学习库（如 TensorFlow, PyTorch 等，具体版本请参考各课程子目录下的 requirements.txt）

安装步骤

1. 克隆仓库 打开终端或命令行工具，执行以下命令将仓库下载到本地：

   git clone https://github.com/https-deeplearning-ai/machine-learning-engineering-for-production-public.git
   

2. 进入项目目录

   cd machine-learning-engineering-for-production-public
   

3. 安装依赖 由于这是一个包含多个课程资源的集合库，具体的依赖安装通常位于各个课程对应的子文件夹中。请进入您正在学习的特定课程目录（例如 C1, C2 等），然后创建虚拟环境并安装依赖。

   使用 venv 示例：

   python -m venv venv
   source venv/bin/activate  # Windows 用户请使用: venv\Scripts\activate
   pip install -r requirements.txt
   

   国内加速建议： 如果在国内网络环境下安装依赖较慢，建议使用国内镜像源（如清华源）：

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

基本使用

本仓库主要用于配合在线课程学习，每个子目录通常包含该周课程的 Jupyter Notebook 示例代码。

1. 启动 Jupyter Notebook 在已激活虚拟环境的终端中，进入具体课程目录并启动服务：

   jupyter notebook
   

2. 运行示例 在浏览器打开的界面中，导航至对应的 .ipynb 文件（例如 Week1/Ungraded_Lab.ipynb），按顺序单元格执行代码即可体验机器学习工程化的相关实践（如数据漂移检测、模型监控等）。

3. 查看资源 除了代码，请留意目录中的 README.md 或 docs 文件夹，那里通常包含课程特定的说明文档和资源链接。