趋近智
机器学习部署概论
章节 1: 模型部署入门
什么是机器学习部署？
为什么要部署机器学习模型？
机器学习工作流程概述
部署策略的类型 (简介)
模型部署中的挑战
章节 2: 为模型部署做准备
保存训练好的模型
模型序列化简介
使用 Pickle 保存模型
使用 Joblib 保存模型
处理模型依赖
保存预处理步骤
动手实践：保存和加载简单模型
章节 3: 使用 Flask 创建预测服务
什么是API？
Web框架简介
设置 Flask
构建一个基础的 Flask 应用
在 Flask 中加载已保存的模型
定义预测端点
处理输入数据 (JSON)
返回预测结果
在本地测试你的 API
动手实践：构建一个简单的Flask预测API
章节 4: Docker 容器化简介
什么是容器化？
Docker 入门
Docker 核心理念：镜像与容器
安装 Docker
编写一个简单的Dockerfile
为Flask应用构建Docker镜像
在 Docker 容器中运行应用
动手实践：容器化预测服务
什么是机器学习部署？
这部分内容有帮助吗？
- Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, Chip Huyen, 2022 (O'Reilly Media) - 这本权威书籍深入探讨了如何设计和构建用于生产的机器学习系统，涵盖了从数据到部署和监控的整个生命周期。
- Practitioners Guide to MLOps: A Framework for Continuous Delivery and Automation of Machine Learning, Google Cloud, 2021 (Google Cloud) - 这份来自 Google Cloud 的官方指南提供了一个结构化的框架和最佳实践，用于实施 MLOps，详细阐述了机器学习模型持续集成、持续交付和持续训练（包括部署策略）的关键步骤。
- MLOps: A Survey, Current Challenges, and Future Directions, Tobias Kreuzberger, Nils Kühl, Sebastian Hirschl, 2023 ACM Computing Surveys, Vol. 56 (ACM) DOI: 10.1145/3607068 - 这项全面的学术调查综合了 MLOps 的现状，定义了包括机器学习部署在内的核心概念，并讨论了该领域的当前挑战和未来的研究方向。