DataTalksClub/machine-learning-zoomcamp

它是什么

Machine Learning Zoomcamp 是一个免费、实用的课程，教人们如何构建、评估和部署机器学习系统。它不是理论课——重点是将机器学习应用于实际问题，并将训练好的模型转化为其他应用程序可以使用的服务。

该课程涵盖了从机器学习问题到生产服务的完整路径：定义问题 → 准备数据 → 训练和评估模型 → 通过 API 暴露模型 → 打包 → 部署。

适合谁

你不需要有机器学习经验。先决条件是：

• 至少一年的编程经验
• 熟悉命令行操作
• 一台可以联网的笔记本电脑

有帮助（但不是必需的）：一些 Python 熟悉度、基本的 Git/GitHub 经验，以及在 notebook 或脚本中处理数据的经验。不需要：任何 ML 训练经验、云或 Kubernetes 知识，或带有 GPU 的强大计算机（深度学习模块使用云资源）。

该课程特别适合软件工程师、数据分析师、数据工程师和技术学生。如果你没有编程经验，想要非技术性的 AI 入门，或者想要高级 ML 研究主题，则不太适合。

课程如何运作

完整路径使用：

• Python、NumPy、pandas、scikit-learn —— 用于数据处理和经典 ML 模型
• TensorFlow、PyTorch、Keras —— 用于深度学习
• FastAPI、Docker、Kubernetes、AWS Lambda —— 用于部署和服务模型

你可以两种方式参加：

	直播班	自定进度
开始时间	2026 年 9 月 14 日	随时
费用	免费	免费
讲座	预录	预录
作业	评分	可用，不评分
排行榜	有	无
同伴评审	有	无
证书	可获	不可获

“直播班”并不意味着强制参加直播课程——讲座是预录的。它意味着共同的截止日期、评分的作业、排行榜参与、同伴评审、社区支持和证书资格。

你将学到什么（教学大纲）

1. 机器学习简介 —— 什么是 ML，何时使用它，使用 CRISP-DM 框架结构化项目，监督学习基础。
2. 回归 —— 构建汽车价格预测模型：用 scikit-learn 从零开始进行线性回归，特征创建/选择，正则化，模型验证。
3. 分类 —— 使用逻辑回归构建客户流失预测系统：编码分类变量，特征重要性，解释预测。
4. 评估指标 —— 准确率、精确率、召回率、F1 分数、混淆矩阵、ROC 曲线和 AUC、交叉验证、处理不平衡类别。
5. 部署 ML 模型 —— 序列化训练好的模型，通过 FastAPI 服务暴露预测，使用 Docker 打包，部署到云平台。
6. 决策树与集成学习 —— 决策树、随机森林、使用 XGBoost 的梯度提升、超参数调优、特征重要性。
7. 期中项目 —— 将模块 1–6 应用于你选择的端到端问题。
8. 神经网络与深度学习 —— 神经网络组件、PyTorch/TensorFlow/Keras、卷积神经网络、迁移学习、图像分类。
9. 无服务器深度学习 —— 使用 AWS Lambda 和 API Gateway 部署模型（scikit-learn、TensorFlow、PyTorch 模型，无需管理持久服务器）。
10. Kubernetes 与 TensorFlow Serving —— 核心 Kubernetes 概念，使用 TensorFlow Serving 服务模型，部署和扩展模型服务。
11. 毕业项目 —— 两个较大的端到端项目（第二个是可选的，但计入证书）。

项目与证书

该课程提供三个项目机会：

1. 期中项目（模块 6 之后）
2. 毕业项目 1（模块 10 之后）
3. 毕业项目 2（可选，在最后）

要在直播班中获得证书，你必须：

1. 提交两个项目 —— 可以是期中项目 + 一个毕业项目，或两个毕业项目
2. 在班级截止日期前提交
3. 完成对另外三个学习者项目的同伴评审

过去的学员项目包括用于癌症预测的血细胞分类器和垃圾分类器（一个基于 Xception 的图像分类器，测试准确率 93.3%，通过 Docker 打包的 API 提供服务）。

社区

学习者通过 DataTalks.Club Slack（#course-ml-zoomcamp 频道）、Telegram 和 YouTube 播放列表联系。该课程鼓励“公开学习”——通过博客文章、视频和社交媒体分享进展，并使用 #mlzoomcamp 标签，在直播班期间可以获得额外积分。

实用说明

• 该课程完全免费且开源
• 不需要强大的计算机——云资源处理繁重的深度学习计算
• 自定进度的学习者可以免费使用所有材料，但证书只能通过直播班获得
• 课程中的真实项目为你的 GitHub 提供了具体的作品集工作