课程大纲
第 1 阶段
预备基础
- 1120 分钟
机器学习工程全景
- 2120 分钟
数学与编程复习
- 3
搭建机器学习开发环境
2025–2026 年的生产 ML 工程课程——为需要上线能扛住真实负载的模型的工程师而设计。你从 PyTorch 2.4+ 基础走到 H100/H200 GPU 上的分布式训练(DeepSpeed ZeRO-3、FSDP)、MLOps(MLflow 2.16+、vLLM 0.6+、Feast 0.40+)以及 LLM 技术栈(LoRA arxiv 2106.09685、FlashAttention-2 arxiv 2307.08691、Mixtral arxiv 2401.04088)。独特之处:每个模块以面试模拟收尾,构建于 Stripe、Netflix、Uber、Pinterest、Anthropic 资深 MLE 轮使用的问题模式之上,再加一份你可以放进作品集的一页 runbook 产物。
机器学习工程全景
数学与编程复习
搭建机器学习开发环境
经典机器学习
特征工程与数据管道
深度学习基础
实验追踪与可复现性
自然语言处理
计算机视觉工程
MLOps与模型部署
模型优化与效率
大语言模型工程
分布式训练与大规模机器学习
机器学习系统设计
负责任AI与机器学习伦理
机器学习工程师面试准备
生成式AI与多模态系统
机器学习平台工程
边缘ML与端侧智能
对抗鲁棒性与 ML 安全
数据漂移与重训练策略
持续学习与在线学习
ML 成本优化与 FinOps
AutoML 与神经架构搜索
ML 理论轮备战
ML 编码与算法(面试)
ML 系统设计(面试准备)
应用 ML 与生产化