made-with-ml

Made With ML — это образовательный репозиторий и сопутствующий курс, ориентированный на создание приложений машинного обучения промышленного уровня. Он сочетает машинное обучение с практиками программной инженерии, направляя учащихся от экспериментов к развёртыванию и итерации. Материал организован в виде уроков, размещённых на madewithml.com, а код находится в этом репозитории. Акцент сделан на понимании концепций машинного обучения с первых принципов, лучших практиках программной инженерии, масштабировании рабочих нагрузок машинного обучения на Python, интеграции компонентов MLOps, переходе от разработки к production и построении CI/CD workflows. Целевая аудитория включает инженеров-программистов и инфраструктурных инженеров, специалистов по данным, выпускников вузов, а также продуктовые и руководящие роли, стремящиеся получить техническую основу. Инструкции по настройке охватывают локальные машины, рабочие пространства Anyscale и другие варианты облака, Kubernetes или on‑prem. Jupyter‑ноутбук предоставляет интерактивный обзор основных рабочих нагрузок машинного обучения, а рефакторенные Python‑скрипты в каталоге madewithml/ покрывают конфигурацию, данные, оценку, модели, предсказание, сервинг, обучение, настройку и утилиты. Рабочие процессы включают обучение и настройку гиперпараметров с настраиваемыми воркерами и ресурсами, отслеживание экспериментов через MLflow, оценку на удерживаемом наборе данных, вывод и сервис моделей. Тестирование охватывает код, данные и модели с отчётом о покрытии. Развёртывание в production использует Anyscale Jobs и Services, включая файлы конфигурации окружения кластера и вычислительных ресурсов, настройку аутентификации, а также команды развёртывания, запроса, отката и завершения сервиса. CI/CD реализован с помощью GitHub Actions: pull‑requestы запускают workflows обучения и оценки, публикующие результаты в виде комментариев, а слияние в ветку main запускает workflow сервиса, который развёртывает новую версию сервиса. В репозитории также рассматриваются непрерывное обучение, связь запланированных запусков, pipelines данных, мониторинг и онлайн‑оценка. FAQ отвечает на вопросы конфигурации ядра Jupyter‑ноутбука. Проект распространяется как открытый исходный код и учебный контент, а в README упоминается сообщество из десятков тысяч разработчиков.