made-with-ml

Made With ML은 프로덕션 등급 머신러닝 애플리케이션 구축에 중점을 둔 교육용 저장소 및 동반 강좌입니다. 머신러닝과 소프트웨어 엔지니어링 관행을 결합하여, 학습자가 실험부터 배포 및 반복까지 안내합니다. materiel은 madewithml.com에 호스팅된 레슨과 이 저장소의 코드로 구성되어 있습니다. ML 개념에 대한 first-principles 이해, 소프트웨어 엔지니어링 모범 사례, Python 기반 ML 워크로드 스케일링, MLOps 컴포넌트 연결, 개발에서 프로덕션으로 전환, CI/CD 워크플로우 구축을 강조합니다. 대상 독자는 소프트웨어 및 인프라 엔지니어, 데이터 과학자, 대학 졸업생, 기술적 기초를 원하는 제품 또는 리더십 역할입니다. 설정 지침은 로컬 머신, Anyscale 워크스페이스 및 기타 클라우드, Kubernetes 온프레미스 옵션을 다룹니다. Jupyter 노트북은 핵심 ML 워크로드에 대한 대화형 가이드를 제공하며, madewithml/ 아래의 리팩토링된 Python 스크립트는 구성, 데이터, 평가, 모델, 예측, 서빙, 훈련, 튜닝, 유틸리티를 다룹니다. 워크플로우는 구성 가능한 워커와 리소스로 훈련 및 하이퍼파라미터 튜닝, MLflow를 통한 실험 추적, 홀드아웃 데이터셋에 대한 평가, 추론 및 모델 서빙을 포함합니다. 테스트는 코드, 데이터, 모델 테스트와 커버리지 리포팅을 아우릅니다. 프로덕션 배포는 Anyscale Jobs와 Services를 사용하며, 클러스터 환경 및 컴퓨팅 구성 파일, 인증 설정, 서비스 롤아웃/쿼리/롤백/종료 명령을 다룹니다. CI/CD는 GitHub Actions로 구현됩니다: Pull Request는 훈련 및 평가 워크플로우를 트리거하여 결과를 댓글로 게시하고, main 브랜치 병합은 새 서비스를 롤아웃하는 serve 워크플로우를 트리거합니다. 저장소는 또한 지속 학습, 스케줄된 실행 연결, 데이터 파이프라인, 모니터링, 온라인 평가를 논의합니다. FAQ는 Jupyter 노트북 커널 설치를 다룹니다. 프로젝트는 오픈소스 코드 및 강좌 콘텐츠로 배포되며, README에 따르면 수만 명의 개발자가 참여하는 커뮤니티가 존재합니다.