【中英双语】吴恩达MLOps①生产级机器学习｜2026中文重制

Parts

1. P1 · [中文] 01 欢迎加入：生产级机器学习导论
2. P2 · [中文] 02 机器学习项目全流程步骤
3. P3 · [中文] 03 案例：语音识别系统怎么做
4. P4 · [中文] 04 课程大纲与学习路径
5. P5 · [中文] 05 部署阶段的关键挑战
6. P6 · [中文] 06 部署模式全景
7. P7 · [中文] 07 模型监控怎么做
8. P8 · [中文] 08 流水线监控
9. P9 · [中文] 09 建模总览
10. P10 · [中文] 10 建模阶段的关键挑战
11. P11 · [中文] 11 低平均误差≠模型能用
12. P12 · [中文] 12 建立模型基线
13. P13 · [中文] 13 起步实操建议
14. P14 · [中文] 14 错误分析实战案例
15. P15 · [中文] 15 优化优先级怎么排
16. P16 · [中文] 16 倾斜数据集处理
17. P17 · [中文] 17 生产环境性能审计
18. P18 · [中文] 18 以数据为中心的 AI 开发
19. P19 · [中文] 19 一张图搞懂数据增强
20. P20 · [中文] 20 数据增强完整方法
21. P21 · [中文] 21 加数据会伤害模型吗
22. P22 · [中文] 22 如何正确加特征
23. P23 · [中文] 23 实验追踪从零到一
24. P24 · [中文] 24 从大数据到优质数据
25. P25 · [中文] 25 数据定义为什么难
26. P26 · [中文] 26 标注歧义更多案例
27. P27 · [中文] 27 数据问题的主要类型
28. P28 · [中文] 28 小数据与标签一致性
29. P29 · [中文] 29 提升标签一致性
30. P30 · [中文] 30 人类水平表现 HLP
31. P31 · [中文] 31 如何提升 HLP 基线
32. P32 · [中文] 32 如何高效收集数据
33. P33 · [中文] 33 生产级数据管道
34. P34 · [中文] 34 元数据·溯源·血缘
35. P35 · [中文] 35 平衡的训练/验证/测试划分
36. P36 · [中文] 36 什么是项目范围界定
37. P37 · [中文] 37 范围界定完整流程
38. P38 · [中文] 38 可行性与价值尽职调查
39. P39 · [中文] 39 价值尽职调查
40. P40 · [中文] 40 里程碑与资源规划
41. P41 · [中文] 41 结课项目总览
42. P42 · [英文] 01 Welcome
43. P43 · [英文] 02 Steps of an ML Project
44. P44 · [英文] 03 Case study: speech recognition
45. P45 · [英文] 04 Course outline
46. P46 · [英文] 05 Key challenges
47. P47 · [英文] 06 Deployment patterns
48. P48 · [英文] 07 Monitoring
49. P49 · [英文] 08 Pipeline monitoring
50. P50 · [英文] 09 Modeling overview
51. P51 · [英文] 10 Key challenges
52. P52 · [英文] 11 Why low average error isn't good enough
53. P53 · [英文] 12 Establish a baseline
54. P54 · [英文] 13 Tips for getting started
55. P55 · [英文] 14 Error analysis example
56. P56 · [英文] 15 Prioritizing what to work on
57. P57 · [英文] 16 Skewed datasets
58. P58 · [英文] 17 Performance auditing
59. P59 · [英文] 18 Data-centric AI development
60. P60 · [英文] 19 A useful picture of data augmentation
61. P61 · [英文] 20 Data augmentation
62. P62 · [英文] 21 Can adding data hurt?
63. P63 · [英文] 22 Adding features
64. P64 · [英文] 23 Experiment tracking
65. P65 · [英文] 24 From big data to good data
66. P66 · [英文] 25 Why is data definition hard?
67. P67 · [英文] 26 More label ambiguity examples
68. P68 · [英文] 27 Major types of data problems
69. P69 · [英文] 28 Small data and label consistency
70. P70 · [英文] 29 Improving label consistency
71. P71 · [英文] 30 Human level performance (HLP)
72. P72 · [英文] 31 Raising HLP
73. P73 · [英文] 32 Obtaining data
74. P74 · [英文] 33 Data pipelines
75. P75 · [英文] 34 Meta-data, data provenance and lineage
76. P76 · [英文] 35 Balanced train/dev/test splits
77. P77 · [英文] 36 What is scoping?
78. P78 · [英文] 37 Scoping process
79. P79 · [英文] 38 Diligence on feasibility and value
80. P80 · [英文] 39 Diligence on value
81. P81 · [英文] 40 Milestones and resourcing
82. P82 · [英文] 41 Final project overview