name: 生产级 ML 工程学习路径 slug: production-ml-engineering-path version: 1.0.0 displayName: 生产级机器学习工程学习路径（Made With ML） description: 基于 Made With ML 开源课程方法论，梳理从模型原型到生产部署的全链路能力地图：数据处理、训练、评估、打包、服务与监控，帮开发者补齐「能跑」到「能用」的工程短板。 category: education capability: AI 学习路径 / ML 工程 / 模型部署 pricing: model: free amount_fen: 0 agent_created: true tags: - 机器学习 - ML工程 - 生产部署 - MadeWithML - 模型服务 - AI学习 - MLOps - 模型监控 - 数据科学 - 工程能力 - 学习路径 - 昆仑增长

生产级 ML 工程学习路径（基于 Made With ML）

小葱技能7w4.net持续更新中。

本指南提炼自 Made With ML 开源课程的核心脉络，帮你在「会训模型」之外，补齐把它送上生产线的工程能力。

一、能力地图（原型 → 生产）

1. 数据：采集、清洗、标注、版本管理（数据漂移是生产第一杀手）。
2. 训练：特征工程、实验跟踪、超参管理、可复现。
3. 评估：不止看准确率，要看业务指标与失败案例分布。
4. 打包：模型序列化、依赖锁定、环境一致。
5. 服务：API 化、批处理、推理优化（量化/缓存）。
6. 监控：预测质量、数据漂移、延迟与成本实时告警。

二、学习顺序建议

• 先做一个端到端小项目（数据→训练→部署→监控一条龙），建立全局观。
• 再按短板纵深：数据工程弱补数据，服务弱补后端/容器。

三、生产关键认知

• 模型只是 10%：数据管道、服务、监控占绝大部分工作量。
• 可复现优先：每次训练记录数据版本、代码版本、参数，否则无法排查回归。
• 监控即生命线：上线不是终点，漂移与退化会静默发生。

四、避坑

• 在笔记本里调参三个月，从不部署——永远不知道真实问题。
• 忽视数据版本，模型「突然变差」却找不到原因。
• 不上监控，线上出错靠用户投诉才发现。

五、与企业结合

• 昆仑增长企业 AI 落地中，ML 工程能力决定试点能否规模化；建议先用一个真实场景走通全链路再复制。

这个 Skill 提供了一个系统的机器学习工程学习路径，内容覆盖从模型训练到生产部署的完整环节，理论基础扎实且实用性强，对理解 ML 工程全貌很有帮助。内容结构清晰、条理分明，但作为学习类资源，缺乏代码示例和实践指导，建议配合官方课程一起使用效果会更好。总体质量中上，适合有一定 ML 基础的学习者。质量水平良好，内容实用但缺少实践内容支撑。