Weights & Biases AI 学院

欢迎来到 W&B AI 学院！本仓库按主题整理了各类 AI 学习资料。这些资料旨在与我们的在线课程相辅相成，但亦可独立使用，为学习者提供丰富的学习资源。

🤖 大语言模型（LLMs）

课程	教授	说明
🆕 RAG++	巴拉特·拉马纳森 W&B MLE 阿尤什·塔库尔 W&B MLE 梅奥尔·阿默 Cohere 开发者倡导者 查尔斯·皮尔斯 Weaviate 实验室负责人	面向工程师的实用 RAG 技术：通过生产级解决方案优化性能、降低成本并提升准确度。
🆕 开发者指南：LLM 提示词	阿尼什·沙赫 W&B MLE 特奥多拉·达尼洛维奇 AutogenAI 提示词工程师	从系统提示词到针对特定模型的策略，掌握开启提示词工程之旅所需的一切知识。
LLM 工程：结构化输出	杰森·刘 独立顾问	提升 LLM 工程技能，了解结构化 JSON 输出的处理方式、函数调用以及复杂验证机制。
构建 LLM 助力的应用程序	达雷克·克莱切克 W&B MLE 巴拉特·拉马纳森 W&B MLE 托马斯·卡佩勒 W&B MLE 施雷亚·拉杰帕尔 Guardrails AI 创始人 安东·特罗伊尼科夫 Chroma 联合创始人 沙赫拉姆·安韦尔 Rebuff 的联合创作者	学习如何利用 LLM API、Langchain 以及 W&B LLM 工具，打造由 LLM 执行的各类应用程序。
训练与微调 LLM	达雷克·克莱切克 W&B MLE 阿尤什·塔库尔 W&B MLE 乔纳森·弗兰克尔 摩赛尔 ML 首席科学家 魏伟·杨 微软研究院首席 SDE 管理员 马克·萨鲁菲姆 Meta PyTorch 工程师	探索 LLM 架构、训练技术以及微调方法，包括 LoRA 和 RLHF。
评估与调试生成式 AI	凯莉·费普斯 W&B 创始产品经理	通过 W&B AI 开发者平台，实践生成式 AI 工作的评估与调试。

🚀 MLOps

课程	教授	说明
模型 CI/CD	诺娅·施瓦茨 W&B 产品经理 达雷克·克莱切克 W&B MLE 哈梅尔·胡赛因 Parlance Labs 创始人	克服模型混乱，实现工作流自动化，确保治理规范，并简化端到端的模型生命周期。
高效 MLOps：模型开发	托马斯·卡佩勒 W&B MLE 达雷克·克莱切克 W&B MLE 哈梅尔·胡赛因 Parlance Labs 创始人	学习如何加速并扩展模型开发，提升生产力，并确保结果可重复性。
机器学习的 CI/CD（GitOps）	哈梅尔·胡赛因 Parlance Labs 创始人	利用 GitHub Actions 简化 ML 工作流，并集成 W&B 实验跟踪功能。
生产 ML 流程中的数据验证	施雷亚·桑卡尔 加州大学伯克利分校博士生	构建稳健的生产 ML 流程，检测数据漂移，并管理数据质量。
面向业务决策优化的 ML	丹·贝克尔	优化业务决策，将 ML 预测转化为切实可行的洞见。

📊 W&B 工具

课程	教授	说明
W&B 101	斯科特·康德隆 W&B MLE	介绍 W&B，重点讲解实验跟踪、可视化及优化等内容。
W&B 201：模型注册表	肯·李 W&B MLE	通过 W&B 进行高级模型管理，实现 ML 模型的记录、注册与管理。

🌍 国际课程

课程	语言	说明
高效 MLOps：模型开发	韩语	一套全面的课程，帮助您将 ML 模型落地应用，优化性能，并为黄金时段做好准备。
高效 MLOps：模型开发	日语	学习如何加速并扩展模型开发，提升生产力，并确保结果可重复性。

🏫 教育工作者资源

• 教育工作者、助教及学生学习资料

🧮 ML 数学基础

• ML 数学复习手册

如需了解更多详情或报名参加课程，请访问 W&B AI 学院官网。

Weights & Biases AI Academy (edu) 快速上手指南

项目说明：edu 是 Weights & Biases (W&B) 官方推出的 AI 学院资源库，并非一个需要本地安装运行的软件包。它主要包含大语言模型（LLM）、MLOps 及数学基础等课程的教材、代码示例和学习路径。本指南将指导您如何访问这些资源并在本地环境中开始学习。

环境准备

由于本项目主要是课程资料和代码示例的集合，您需要准备一个标准的 Python 开发环境来运行其中的示例代码。

• 操作系统：Windows, macOS, 或 Linux
• Python 版本：建议 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 Python 包
  • W&B 账号：部分实验跟踪功能需要注册免费账号 (https://wandb.ai)

国内加速建议：

1. 代码克隆：如果直接克隆 GitHub 速度较慢，建议使用国内镜像源（如 Gitee 镜像，若有）或配置代理。
2. 包安装：推荐使用国内 PyPI 镜像源（如清华源、阿里源）安装依赖。

安装步骤

1. 克隆项目仓库

将教育资源库克隆到本地：

git clone https://github.com/wandb/edu.git
cd edu

2. 安装基础依赖

进入您感兴趣的具体课程目录（例如 math-for-ml 或某个 LLM 课程文件夹），查看该目录下的 requirements.txt 并安装依赖。

以通用的 W&B 核心库为例，您可以使用以下命令安装（推荐配置国内镜像源）：

# 使用清华源安装 wandb 及相关常用数据科学库
pip install wandb pandas numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：不同课程可能有特定的依赖需求，请务必检查具体课程文件夹内的 README.md 或 requirements.txt。

3. 登录 W&B (可选但推荐)

如果您希望运行涉及实验跟踪的代码示例，需要先登录您的 W&B 账号：

wandb login

按提示输入您的 API Key（可在 https://wandb.ai/authorize 获取）。

基本使用

本项目的使用方式主要是阅读文档和运行示例代码。以下是开始学习的简单流程：

1. 浏览课程主题

项目内容按主题分类，您可以直接在本地或网页端浏览以下核心板块：

• 🤖 大语言模型 (LLMs)：包含 RAG、提示工程 (Prompting)、微调 (Fine-tuning) 等实战课程。
• 🚀 MLOps：涵盖模型 CI/CD、数据验证及生产环境部署。
• 📊 W&B 工具：学习如何使用 Experiment Tracking 和 Model Registry。
• 🧮 机器学习数学基础：提供数学复习材料。

2. 运行示例代码

假设您想学习 "W&B 101" 中的实验跟踪功能，找到对应的示例脚本（通常位于课程子目录中），直接运行即可。

最简单的使用示例（Python）：

创建一个名为 quick_start.py 的文件，输入以下代码来体验基础的实验跟踪功能：

import wandb
import random

# 初始化 W&B 运行
wandb.init(project="edu-quick-start", name="my-first-run")

# 模拟训练过程
for epoch in range(5):
    # 模拟损失和准确率
    loss = random.random()
    accuracy = random.random()
    
    # 记录指标
    wandb.log({"epoch": epoch, "loss": loss, "accuracy": accuracy})

# 结束运行
wandb.finish()

在终端运行该脚本：

python quick_start.py

运行结束后，终端会输出一个 URL，点击即可在浏览器中查看可视化的实验结果面板。

3. 深入学习

访问具体的课程链接（在仓库的 README 表格中列出），跟随讲师的步骤深入学习和实践。所有课程材料均旨在配合 W&B 在线平台使用，帮助您构建生产级的 AI 应用。