在本章开篇，您将完成任何机器学习项目的基础环节：设计一个端到端的机器学习用例、进行探索性数据分析，以及数据准备。学完本章，您将清晰掌握机器学习项目的早期阶段——从构思用例到为后续处理与模型训练做好数据准备。

设计一个端到端机器学习用例

机器学习全生命周期阶段定义

机器学习生命周期

探索性数据分析

可视化您的数据

识别类别不平衡

EDA 的目标

数据准备

数据准备函数

高级插补

清洗数据集

设计与探索

本章将深入讲解模型训练与评估的关键流程。全章由 4 节系统课程构成，聚焦特征工程、模型训练、实验记录以及模型评估的各个方面。

特征工程与选择

选项

特征工程

特征选择

特征工程：分类

归一化与标准化

模型训练

应用奥卡姆剃刀

模型类型

训练模型

在 MLflow 上记录实验

MLFlow 实验顺序

MLflow 步骤排序

MLflow 功能

用于记录与检索数据的 MLflow

模型评估与可视化

KFold 交叉验证

混淆矩阵解读

理解混淆矩阵

评估模型

模型训练与评估

本章聚焦模型部署这一机器学习生命周期中的关键环节。我们将从测试入手，进而介绍架构组件，重点讲解特征库与模型注册中心。随后将深入打包与容器化，并以持续集成与持续部署（CI/CD）概览作为收尾。

测试模型

进行测试的原因

编写单元测试

端到端机器学习框架中的架构组件

特征存储 vs 模型注册库

为特征存储定义特征

使用 Feast 的特征存储

打包与容器化

容器化步骤

使用 Docker 进行容器化

使用 Docker 进行推理

持续集成与持续部署（CI/CD）

CI/CD 原则

使用 AWS EB 部署模型

部署：将全部环节串联起来

模型部署

在最后一章，您将系统学习模型监控的要点与实践，这是机器学习生命周期中的关键阶段。

监控与可视化

监控已部署的模型

可视化已部署模型随时间变化的输出

数据漂移

检测与纠正数据漂移的技术

使用 Kolmogorov–Smirnov 检验检测数据漂移

反馈回路、再训练与标注

反馈回路的概念化

反馈环路的风险

反馈回路

服务模型

模型监控案例研究

总结

模型监控

Heart Disease Dataset

Heart Disease Cleaned

走进机器学习的世界，系统学习如何设计、训练并部署端到端模型。本课程通过生动的真实案例与动手练习，带您解决复杂的数据问题，构建高效的 ML 模型。学完本课程，您将具备创建、监控与维护高性能模型的技能，让模型产出可执行的洞见。

<h2>端到端机器学习导论</h2>
<p>深入探索机器学习的世界，通过这门全面的课程，了解如何设计、训练并部署端到端模型。 通过引人入胜的真实案例和动手练习，你将学会解决复杂的数据问题，并构建强大的机器学习模型。 在本课程结束时，您将掌握创建、监控和维护高性能模型所需的技能，从而提供可执行的洞察。 通过这门全面、实战导向的课程，提升你的机器学习专业能力，成为端到端的机器学习高手！</p>

<h2>评估并改进你的模型</h2>
<p>首先学习探索性数据分析（EDA）和数据准备的基础知识——你将清理并预处理数据，确保其已准备好用于模型训练。 接下来，掌握特征工程和特征选择的技巧，优化您的模型以应对真实世界的挑战；学习如何使用 Boruta 库进行特征选择，使用 MLFlow 记录实验，并通过 k 折交叉验证对模型进行微调。 揭示有效误差指标的奥秘，诊断过拟合，为你的模型成功奠定基础。</p>

<h2>部署并监控您的模型</h2>
<p>你还将了解特征存储和模型注册表在端到端机器学习框架中的重要性。 了解如何使用 Docker 和 AWS 部署并监控模型随时间的性能。 了解数据漂移的概念，以及如何使用统计检验来检测它。 实施反馈循环、重新训练和标注策略，以在不断变化的数据面前保持模型性能。</p>

<p>本课程将为你提供可直接应用于数据科学家或机器学习工程师职业的实用技能，使你能够设计、部署和维护模型；这些都是充分发挥机器学习解决方案商业价值的关键技能。</p>

Supervised Learning with scikit-learn

MLOps Concepts

探索机器学习世界，学习设计、训练和部署端到端模型。

端到端机器学习

深入了解机器学习，学习如何设计、训练并部署端到端模型。 

	实际为正	实际为负
预测为正	30	10
预测为负	20	50

理解混淆矩阵

端到端机器学习

动手互动练习