<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>MLOps on 打工人日志</title><link>https://www.jobcher.com/tags/mlops/</link><description>Recent content in MLOps on 打工人日志</description><generator>Hugo -- gohugo.io</generator><language>zh-hans</language><copyright>Copyright © 2022-{year} All Rights Reserved.</copyright><lastBuildDate>Mon, 16 Nov 2026 09:07:12 +0800</lastBuildDate><atom:link href="https://www.jobcher.com/tags/mlops/index.xml" rel="self" type="application/rss+xml"/><item><title>往 MLOps 发展，具体怎么学</title><link>https://www.jobcher.com/mlops-learning-path/</link><pubDate>Mon, 16 Nov 2026 00:00:00 +0000</pubDate><guid>https://www.jobcher.com/mlops-learning-path/</guid><description>MLOps 做的是这件事：让一个模型可以被别人重复训练、被评估拦住、被部署、被观察，出了问题能回到上一版。
如果你已经会 Linux、Docker、Kubernetes 和 CI/CD，缺的是把数据、实验和模型接进这条交付链路。下面按这个起点排。算法或数据分析背景的人，把阶段 0 换成工程补课（Git、测试、Docker、一个调度器），后面的阶段相同。
MLOps 和现有运维的对应关系 一条模型链路通常是：
数据进入 → 校验和特征 → 训练 → 离线评估 → 写入模型注册表 → 部署 → 在线推理 → 看漂移和效果 → 决定是否重训
你已经在做的 到了模型这里要多管的 代码版本 代码、数据、模型三个版本对得上 构建镜像 镜像里还要绑定模型制品和特征变换器 单元测试 再加数据校验和离线评估，不达标就让流水线失败 发版、回滚 模型别名从 staging 切到 production，回滚是把别名指回上一版 CPU、错误率、延迟 再加输入分布、预测分布、延迟到达的业务指标 平台搭得再完整，对不上「哪份数据、哪次代码、哪个镜像产出了线上这个模型」，这条链路就是断的。
阶段 0：机器学习最小集（2–4 周） 目标是看懂训练代码、读懂指标、判断两次实验能不能比。不需要先读论文。
要掌握的内容：
训练、验证、测试怎么切。验证集的信息不能漏进特征或预处理。 分类和回归的常用指标：Precision、Recall、F1、AUC、MAE、RMSE。类别极不平衡时，Accuracy 几乎没有参考价值。 过拟合、欠拟合、正则、早停分别在什么现象下出现。 缺失值、类别编码、数值缩放。训练时拟合出来的变换器，推理时必须原样使用。 用 scikit-learn 或 XGBoost 走通一个表格模型：读数据、训练、打印指标、把模型存成文件。 训练入口是命令行脚本。随机种子固定，参数放在配置文件里。 验收标准：选一个公开表格数据（例如 UCI Adult），写出 train.py。命令行传入数据路径和配置，运行结束后得到指标和模型文件。
这一阶段先把表格模型做扎实。反向传播推导、论文阅读、大模型微调都放到链路跑通之后。
阶段 1：一次实验可以复现（3–4 周） 别人克隆仓库之后，能跑出同一次实验。这是 MLOps 的第一块砖。</description></item></channel></rss>