前段时间，吴恩达老师的一场讲座吸引了大量开发者的关注。这次讲座不再是机器学习基础知识相关内容，而是面向开发者，教大家如何部署机器学习模型。
近年来，MLOps 成为了 AI 开发领域的热门概念。吴恩达老师的这场讲座就围绕这一热门话题展开。
吴老师认为，随着机器学习扩展到更多的行业，且变得越来越复杂，开发者创建算法所需的结构和流程必须适应新的环境和案例。所以，在这 1 小时的演讲中，他分享了他认为「下一代机器学习实践者所需要的基本技能」。
这场讲座在 Youtube 上线 19 分钟就有 1.3 万的观看量，如今观看量更是接近 10 万。
不过，一个小时的演讲总让人意犹未尽，吴老师有没有想过开一个系统课程呢？
好消息来得就是这么突然：刚刚，吴老师在推特上宣布，他们的「MLOps」专项课程已经在 Coursera 上正式上线！
这门课程主要介绍如何概念化、构建和维护在生产中持续运行的集成系统。与标准的机器学习模型不同，生产系统需要处理不断变化的数据。此外，它还必须以最低的成本、最高的性能不间断运行。因此，这门课程的重点是介绍如何用成熟的工具和方法有效地完成所有这些工作。
课程概况
这套专项课程共包含 4 门课程：
生产中的机器学习简介
生产中的机器学习数据生命周期
生产中的机器学习建模 pipeline
在生产中部署机器学习模型
每节课的具体内容参见课程主页：
课程主页：https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
在学完这套课程后，你将 get 到以下知识点：
设计一个端到端的 ML 生产系统：项目范围、数据需求、建模策略和部署需求；
创建一个模型基线，解决概念漂移，制作开发、部署以及不断改进生产环境 ML 应用的原型；
通过收集、清洗和验证数据集来构建数据 pipeline；
使用 TensorFlow Extended 实现特征工程、变换和选择；
利用数据沿袭（data lineage）和数据溯源（data provenance）元数据工具来建立数据生命周期，并遵循企业数据模式的数据演变；
应用技术来管理建模资源，以最好的方式服务 offline/online 推理请求；
使用分析方法解决模型的公平性、可解释性问题，同时缓解瓶颈；
为需要不同基础设施的模型服务提供部署 pipeline；
应用最佳实践和渐进式交付技术，以保持生产系统的持续运行。
当然，在学习该课程之前，你需要掌握一些基础知识和技能，比如深度学习、Python 语言以及 PyTorch、Keras 或 TensorFlow 等框架的使用方法。
讲师阵容
除了大家熟悉的吴恩达之外，本课程还有两位讲师：谷歌的数据科学家 Robert Crowe 和谷歌大脑的 Laurence Moroney。
Robert Crowe 是谷歌 TensorFlow 的 Developer Advocate，是 TensorFlow Extended 团队的一员。他热衷于帮助开发人员快速了解提高生产力所需的知识。在入职谷歌之前，Robert 领导着大型和小型公司的软件工程团队，始终致力于提供清晰、优雅的解决方案来满足明确的需求。
Laurence Moroney 是谷歌的 AI Lead，致力于使用 TensorFlow 来开发并构建人工智能相关的应用。他发表了很多编程书籍，现在在视频培训领域与 deeplearning.ai 和 Coursera 展开合作。此外，Laurence 还是美国科幻作家协会成员，创作了一些科幻小说、剧本和漫画书，包括克里斯蒂安 · 贝尔主演电影《撕裂的末日》（Equilibrium）的前传。
如果你对这门课程感兴趣，现在就可以去 Coursera 注册听课。
为了向国内开发者传播 MLOps 的概念，机器之心此前经授权，将文章开头所述的热门讲座搬到了机器之心知识站，感兴趣的小伙伴可以点击这里观看。
