生產級 ML 工程學習路徑（基於 Made With ML）

本指南提煉自 Made With ML 開源課程的核心脈絡，幫你在「會訓模型」之外，補齊把它送上生產線的工程能力。

一、能力地圖（原型 → 生產）

1. 資料：採集、清洗、標註、版本管理（資料漂移是生產第一殺手）。
2. 訓練：特徵工程、實驗跟蹤、超參管理、可復現。
3. 評估：不止看準確率，要看業務指標與失敗案例分佈。
4. 打包：模型序列化、依賴鎖定、環境一致。
5. 服務：API 化、批處理、推理最佳化（量化/快取）。
6. 監控：預測質量、資料漂移、延遲與成本即時告警。

二、學習順序建議

• 先做一個端到端小專案（資料→訓練→部署→監控一條龍），建立全域性觀。
• 再按短板縱深：資料工程弱補資料，服務弱補後端/容器。

三、生產關鍵認知

• 模型只是 10%：資料管道、服務、監控佔絕大部分工作量。
• 可復現優先：每次訓練記錄資料版本、程式碼版本、引數，否則無法排查回歸。

  小蔥技能站7w4.net發現了升級外掛。

• 監控即生命線：上線不是終點，漂移與退化會靜默發生。

四、避坑

• 在筆記本里調參三個月，從不部署——永遠不知道真實問題。
• 忽視資料版本，模型「突然變差」卻找不到原因。
• 不上監控，線上出錯靠使用者投訴才發現。

五、與企業結合

• 崑崙增長企業 AI 落地中，ML 工程能力決定試點能否規模化；建議先用一個真實場景走通全鏈路再複製。

這個 Skill 提供了一個系統的機器學習工程學習路徑，內容覆蓋從模型訓練到生產部署的完整環節，理論基礎紮實且實用性強，對理解 ML 工程全貌很有幫助。內容結構清晰、條理分明，但作為學習類資源，缺乏程式碼示例和實踐指導，建議配合官方課程一起使用效果會更好。總體質量中上，適合有一定 ML 基礎的學習者。質量水平良好，內容實用但缺少實踐內容支撐。