机器学习系统教程：AI 工程原理与实践
- 发行日期
- 2025/10/22
- 作者
- Vijay Janapa Reddi
- 译者
- Jimmy Song
- 发行方
- mlsysbook.org
- 相关链接
- mlsysbook.org
欢迎阅读《机器学习系统教程：AI 工程原理与实践》！本书是一本全面介绍机器学习系统构建、优化和部署的实践指南，旨在帮助工程师、开发者和 AI 爱好者将机器学习理论应用于真实世界的生产环境。
本书以系统工程的视角，深入探讨了机器学习系统的各个关键环节，涵盖了从数据工程、模型训练到系统设计、性能优化和稳健部署的全流程。无论您是希望提升 AI 应用性能，还是构建可扩展的机器学习架构，本书都将为您提供有力的支持和实践经验。
本书包括的核心内容
- 机器学习系统设计与架构：如何设计和构建高效、可扩展的机器学习系统，支持大规模数据和复杂任务。
- 数据工程与 AI 工作流：数据采集、清洗、标注与治理的最佳实践，确保为机器学习模型提供高质量的数据支持。
- 性能优化与加速：如何优化模型性能，利用硬件加速、分布式计算等手段提高系统效率。
- 稳健部署与 MLOps：在生产环境中稳定部署机器学习系统，确保持续交付、监控和回滚机制的有效性。
- AI 系统的安全与隐私：为机器学习应用提供安全的解决方案，确保数据隐私和模型安全。
本书不仅适合那些想深入了解机器学习系统构建与运维的开发者，还能帮助学术界的研究人员将先进的算法与工程实践相结合，推动机器学习技术向实际应用发展。
希望通过这本书，您能够掌握机器学习系统的设计与优化方法，提升您的 AI 工程能力，并为未来的技术挑战做好准备。
章节目录
介绍本书的主题、作者和中文版的翻译情况。
本章介绍机器学习系统的基础原理与架构，探讨如何设计、构建和部署可扩展的 AI 解决方案。
本章探讨构建高效、可扩展和可靠的机器学习系统的设计原则与最佳实践。
深入探讨机器学习系统的性能工程，涵盖硬件加速、模型优化，以及在多样化部署环境中实现高效 AI 的策略。
探索将机器学习系统稳健部署的关键方面，包括运维、设备端学习、安全、隐私，以及构建能够在真实环境中生存与恢复的弹性 AI。
深入探讨构建可信赖机器学习系统的原则与实践，聚焦负责任的人工智能、可持续性以及利用 AI 促进社会公益。
探索机器学习系统的前沿进展与未来方向。
探索动手 TinyML 实验，获得实际的机器学习经验，重点关注在小规模下 AI 部署的挑战与机遇。
了解 Arduino 在 TinyML 中的作用，并通过 Nicla Vision 开发板进行实用实验，获得动手机器学习体验。
探索 Seeed XIAO ESP32S3 微控制器板及其在 TinyML 应用中的能力，包括图像分类、目标检测、关键字识别和动作分类的实操实验。
了解面向 TinyML 的 Grove Vision AI V2 平台，通过实践实验与动手体验将嵌入式系统与先进的机器学习概念连接起来。
探索树莓派在 TinyML 应用中的使用，通过基于多种树莓派型号的实践实验，获得有关边缘计算与机器学习部署的动手经验。
探索涵盖适用于各种 TinyML 硬件平台的共享概念和技术的实验，增强你对嵌入式机器学习的理解。
附录部分提供了对本书主要内容的补充和扩展。