Bild vom Autor
# Einführung
Sie haben vielleicht unzählige Modelle für maschinelles Lernen an der Universität oder am Arbeitsplatz trainiert, aber haben Sie jemals eines bereitgestellt, damit jeder es über eine API oder eine Internet-App nutzen kann? Beim Deployment werden Modelle zu Produkten und es handelt sich dabei um eine der wertvollsten (und unterschätztesten) Fähigkeiten im modernen ML.
In diesem Artikel werden wir 10 GitHub-Repositories erkunden, um die Bereitstellung von maschinellem Lernen zu meistern. Mithilfe dieser von der Neighborhood betriebenen Projekte, Beispiele, Kurse und kuratierten Ressourcenlisten lernen Sie, wie Sie Modelle verpacken, über APIs verfügbar machen, in der Cloud bereitstellen und reale ML-basierte Anwendungen erstellen, die Sie tatsächlich versenden und teilen können.
// 1. MLOps Zoomcamp
Repository: DataTalksClub/mlops-zoomcamp
Dieses Repository bietet MLOps Zoomcamp, einen kostenlosen 9-wöchigen Kurs zur Produktion von ML-Diensten.
In 6 strukturierten Modulen, praktischen Workshops und einem Abschlussprojekt lernen Sie die MLOps-Grundlagen von der Schulung bis zur Bereitstellung und Überwachung. Verfügbar kohortenbasiert (ab 5. Mai 2025) oder im Selbststudium, mit Neighborhood-Unterstützung über Slack für Lernende mit Python-, Docker- und ML-Grundlagen.
// 2. Hergestellt mit ML
Repository: GokuMohandas/Made-With-ML
Dieses Repository bietet einen ML-Kurs für die Produktion, in dem Sie lernen, Finish-to-Finish-ML-Systeme zu erstellen.
Sie lernen die MLOps-Grundlagen von der Experimentverfolgung bis zur Modellbereitstellung kennen. CI/CD-Pipelines für kontinuierliche Bereitstellung implementieren; Arbeitslasten mit Ray/Anyscale skalieren; und stellen Sie zuverlässige Inferenz-APIs bereit, um ML-Experimente mithilfe getesteter, softwaretechnischer Python-Skripte in produktionsbereite Anwendungen umzuwandeln.
// 3. Design maschineller Lernsysteme
Repository: Chiphuyen/Machine-Studying-Techniques-Design
Dieses Repository bietet a Broschüre zum Design von Systemen für maschinelles Lernen, einschließlich Projekteinrichtung, Datenpipelines, Modellierung und Bereitstellung.
Sie lernen praktische Prinzipien anhand von Fallstudien großer Technologieunternehmen kennen, erkunden 27 offene Interviewfragen mit von der Neighborhood beigesteuerten Antworten und entdecken Ressourcen für den Aufbau von Produktions-ML-Systemen.
// 4. Ein Leitfaden für Deep Studying auf Produktionsebene
Repository: Alirezadir/Manufacturing-Stage-Deep-Studying
Dieses Repository bietet einen Leitfaden für das Design von Deep-Studying-Systemen auf Produktionsebene.
Sie lernen die vier Schlüsselphasen kennen: Projekteinrichtung, Datenpipelines, Modellierung und Bereitstellung anhand praktischer Ressourcen und realer Fallstudien von ML-Ingenieuren großer Technologieunternehmen.
Der Leitfaden enthält 27 offene Interviewfragen mit von der Neighborhood beigesteuerten Antworten.
// 5. Deep Studying in Manufacturing-Buch
Repository: Der KI-Sommer/Deep-Studying-in-Manufacturing
Dieses Repository bietet Deep Studying In Manufacturing, ein umfassendes Buch zum Erstellen robuster ML-Anwendungen.
Sie lernen Greatest Practices zum Schreiben und Testen von DL-Code, zum Erstellen effizienter Datenpipelines, zum Bereitstellen von Modellen mit Flask/uWSGI/Nginx, zum Bereitstellen mit Docker/Kubernetes und zum Implementieren von Finish-to-Finish-MLOps mit TensorFlow Prolonged und Google Cloud.
Es ist excellent für Software program-Ingenieure, die in die DL einsteigen, Forscher mit begrenztem Software program-Hintergrund und ML-Ingenieure, die produktionsreife Fähigkeiten anstreben.
// 6. Beispiele für maschinelles Lernen + Kafka-Streams
Repository: kaiwaehner/kafka-streams-machine-learning-examples
Dieses Repository demonstriert die Bereitstellung von Analysemodellen für die Produktion mithilfe von Apache Kafka und seiner Streams-API.
Sie lernen, TensorFlow-, Keras-, H2O- und DeepLearning4J-Modelle in skalierbare Streaming-Pipelines zu integrieren; Implementieren Sie geschäftskritische Anwendungsfälle wie Flugverzögerungsvorhersage und Bilderkennung mit Unit-Checks; und nutzen Sie das Kafka-Ökosystem für eine robuste, produktionsbereite ML-Infrastruktur.
// 7. NVIDIA Deep Studying-Beispiele für Tensorkerne
Repository: NVIDIA/DeepLearningBeispiele
Dieses Repository bietet hochmoderne Deep-Studying-Beispiele, die für NVIDIA Tensor Cores auf Volta-, Turing- und Ampere-GPUs optimiert sind.
Sie lernen, Hochleistungsmodelle in den Bereichen Pc Imaginative and prescient, NLP, Empfehlungssysteme und Sprache mithilfe von Frameworks wie PyTorch und TensorFlow zu trainieren und bereitzustellen. Nutzen Sie automatische gemischte Präzision, Multi-GPU/Knoten-Coaching und TensorRT/ONNX-Konvertierung für maximalen Durchsatz.
// 8. Großartiges maschinelles Lernen in der Produktion
Repository: EthicalML/awesome-Manufacturing-Machine-Studying
Dieses Repository kuratiert eine umfassende Liste von Open-Supply-Bibliotheken für maschinelles Lernen in der Produktion.
Sie lernen, durch kategorisierte Software-Hear im MLOps-Ökosystem zu navigieren, mithilfe des integrierten Such-Toolkits Lösungen für die Bereitstellung, Überwachung und Skalierung zu entdecken und mit monatlichen Neighborhood-Updates, die alles von AutoML bis hin zur Modellbereitstellung abdecken, auf dem Laufenden zu bleiben.
// 9. MLOps-Kurs
Repository: GokuMohandas/mlops-Kurs
Dieses Repository bietet einen umfassenden MLOps-Kurs, der Sie vom ML-Experiment bis zur Produktionsbereitstellung führt.
Sie lernen, ML-Anwendungen in Produktionsqualität zu erstellen und dabei die Greatest Practices der Softwareentwicklung zu befolgen. Skalieren Sie Arbeitslasten mithilfe von Python, Docker und Cloud-Plattformen. Implementieren Sie Finish-to-Finish-Pipelines mit Experimentverfolgung, Orchestrierung, Modellbereitstellung und Überwachung; und erstellen Sie CI/CD-Workflows für kontinuierliche Schulung und Bereitstellung.
// 10. MLOPs-Grundierung
Repository: dair-ai/MLOPs-Primer
Dieses Repository kuratiert wichtige MLOps-Ressourcen, um Sie bei der Bereitstellung von ML-Modellen zu unterstützen.
Sie lernen die MLOps-Toollandschaft, datenzentrierte KI-Prinzipien und das Produktionssystemdesign anhand von Blogs, Büchern und Artikeln kennen. Entdecken Sie Neighborhood-Ressourcen und Kurse für praktische Übungen. und eine Grundlage für die Schaffung einer skalierbaren, verantwortungsvollen Infrastruktur für maschinelles Lernen schaffen.
Repository-Karte
Hier ist eine kurze Vergleichstabelle, die Ihnen hilft zu verstehen, wie jedes Repository in das breitere ML-Bereitstellungsökosystem passt:
| Repository | Typ | Hauptfokus |
|---|---|---|
| DataTalksClub/mlops-zoomcamp | Strukturierter Kurs | Finish-to-Finish-MLOps: Schulung → Bereitstellung → Überwachung mit einer 9-wöchigen Roadmap |
| GokuMohandas/Made-With-ML | Produktions-ML-Kurs | Produktionsfähige ML-Systeme, CI/CD, skalierbare Bereitstellung |
| Chiphuyen/Machine-Studying-Techniques-Design | Broschüre + Fragen und Antworten | ML-Systeme entwerfen Grundlagen, Kompromisse und Szenarien im Interviewstil |
| Alirezadir/Manufacturing-Stage-Deep-Studying | Führung | DL-Einrichtung auf Produktionsebene, Datenpipelines, Modellierung, Bereitstellung |
| Der KI-Sommer/Deep-Studying-in-Manufacturing | Buch | Robuste DL-Anwendungen: Checks, Pipelines, Docker/Kubernetes, TFX |
| kaiwaehner/kafka-streams-machine-learning-examples | Codebeispiele | Echtzeit-/Streaming-ML mit Apache Kafka und Kafka Streams |
| NVIDIA/DeepLearningBeispiele | Hochleistungsbeispiele | GPU-optimiertes Coaching und Inferenz auf NVIDIA Tensor Cores |
| EthicalML/awesome-produktion-maschinelles Lernen | Tolle Liste | Kuratierte Instruments für Bereitstellung, Überwachung und Skalierung |
| GokuMohandas/mlops-Kurs | MLOps-Kurs | Experimentieren → Produktionspipelines, Orchestrierung, Bereitstellung, Überwachung |
| dair-ai/MLOPs-Primer | Ressourcengrundierung | MLOps-Grundlagen, datenzentrierte KI, Produktionssystemdesign |
Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.