终极DevOps到MLOps训练营：构建机器学习CI/CD流水线

 

 

Ultimate DevOps to MLOps Bootcamp - Build ML CI/CD Pipelines

 

发布时间：2025年

课程时长：12小时

课程大小：6.7GB

语言：英文

 

课程简介

 

本实战训练营旨在帮助DevOps工程师与基础设施专业人员转型进入快速发展的MLOps领域。随着人工智能与机器学习快速成为现代应用的核心组成部分，MLOps已成为连接机器学习模型与生产系统的关键桥梁。

课程将围绕真实的房价预测回归案例展开，从数据处理到在Kubernetes上完成生产部署全流程实操。你将使用Docker与MLFlow搭建环境并进行实验跟踪，掌握机器学习全生命周期，通过Jupyter笔记本完成数据工程、特征工程与模型实验。

随后使用FastAPI封装模型，并部署基于Streamlit的用户界面；编写GitHub Actions工作流实现机器学习流水线的持续集成，将模型容器推送至DockerHub。

课程后期将使用Kubernetes构建可扩展的推理基础设施，通过服务发现对接前后端，使用Seldon Core完成生产级模型服务，借助Prometheus与Grafana监控部署状态。

最后通过ArgoCD实现基于GitOps的持续交付，自动化管理与部署Kubernetes集群变更。

完成课程后，你将具备运用DevOps理念运营与自动化机器学习工作流的知识与实战经验，胜任MLOps与人工智能平台工程相关岗位。

 

学习内容

 

- 遵循MLOps最佳实践构建端到端机器学习流水线

- 理解并实现从数据工程到模型部署的机器学习全生命周期

- 配置MLFlow用于实验跟踪与模型版本管理

- 使用FastAPI与Docker封装并提供模型服务

- 通过GitHub Actions自动化持续集成流水线

- 使用KIND在Kubernetes上部署推理基础设施

- 运用Streamlit构建轻量级机器学习网页界面

- 基于ArgoCD学习GitOps持续交付流水线

- 使用Seldon Core在生产环境提供模型服务

- 通过Prometheus与Grafana监控模型，获取生产环境数据

- 理解数据科学、机器学习工程与DevOps之间的协作流程

- 掌握从DevOps转型至MLOps岗位的核心技能

 

前置要求

 

- 掌握DevOps与Docker基础知识

- 熟悉Git与GitHub操作

- 具备基础Python使用能力（用于脚本与机器学习工作流）

- 了解CI/CD概念更佳，非必需

- 本地设备至少8GB运行内存，已安装Docker用于实验

 

适用人群

 

- 希望进入MLOps领域的DevOps工程师

- 为机器学习团队提供支持的平台工程师与站点可靠性工程师

- 希望了解机器学习工作流与生产部署的云工程师

- 转型至机器学习工程或数据工程岗位的开发人员

- 希望了解真实机器学习系统部署与扩展方式的学习者