从零开始构建, 部署和扩展一个实时机器学习系统 | Building a Real-Time ML System. Together

学习使用Python、Rust、大型语言模型（LLM）和Kubernetes，从零开始完整构建、部署与扩展真实的机器学习生产系统。

课程说明

本课程为实时互动、动手实操类型，全程带领学员从零搭建、部署并扩展高性能实时机器学习系统。前四期课程已完成加密货币价格预测器实战，本期将聚焦信用卡欺诈检测系统，打造企业级实时预测应用。

课程适合人群

如果你是机器学习工程师、数据科学家或软件工程师，持续关注行业前沿技术，却缺乏实战项目经验，难以落地真实机器学习项目，这门课程将精准填补你的能力缺口。

加入8周实时互动实战课程，亲手搭建信用卡欺诈检测实时预测系统，全面提升职业核心竞争力。

告别被动追随技术趋势，主动动手打造属于自己的机器学习实战项目。

入学必备基础

• 具备代码编写基础，课程以Python为主，掌握其他编程语言也可快速适配
• 了解机器学习基础理论，且至少独立训练过一个机器学习模型
• 愿意投入时间精力学习，坚持完成实战练习（努力将获得丰厚的技能回报）

课程核心收获

本课程区别于传统理论教学，聚焦实战应用，你将掌握三大核心能力：

• 掌握实时机器学习微服务架构的全流程：设计、开发、部署与弹性扩展，熟练应用前沿技术落地企业级项目
• 精通通用「特征提取-模型训练-在线推理」标准化流程，可高效适配各类复杂机器学习项目
• 熟练使用主流无服务器工具开发Python实时机器学习服务，核心技术包括：
  • Kafka流数据平台：处理高并发实时数据流
  • 特征库：统一管理机器学习特征数据
  • 实验追踪器：记录、对比实验数据，优化模型效果
  • 模型注册表：统一管理、部署多版本机器学习模型
  • Kubernetes容器平台：实现服务容器编排与自动扩缩容

完整课程大纲

第1节 实时机器学习系统构建基础

• 问题框架定义：精准梳理并明确机器学习项目需求
• 系统架构设计：规划核心组件与模块交互逻辑
• 特征-训练-推理管道设计：掌握通用ML系统设计方法论
• 模块化ML系统迭代开发：分步构建、持续优化系统
• 开源开发工具与无服务器基础设施应用
• 特征管道核心组件解析
• Docker基础实操：掌握容器化核心技术
• Python+Docker开发、容器化与运行首个微服务
• Makefile实战：简化开发流程，自动化执行任务
• 自动代码检查与格式化：保障代码质量与规范

第2节 特征管道实战

• Websocket API实时数据采集
• Python有状态实时数据转换
• Python读写Kafka数据流实操
• 模块化Python代码编写：易调试、易测试
• 特征存储原理与核心价值解析
• 历史数据回填实战
• 离线-在线特征偏差规避方案
• Kafka主题、分区与消费者组核心原理
• Docker+Kafka实现数据转换水平扩展

第3节 训练管道实战

• 机器学习模型迭代开发流程
• 时间序列预测模型训练与评估
• 模型适配型数据转换方法
• 交易技术指标特征工程实战
• 目标指标参数化配置
• 实验跟踪工具集成与应用
• 模型注册表原理与训练管道集成
• Docker容器化：保障实验可重复性

第4节 推理管道实战

• Python实时机器学习模型预测实现
• 实时预测流式微服务开发
• Streamlit预测结果可视化展示
• 推理管道与模型注册表对接

第5节 服务部署与系统监控

• Kubernetes微服务生产环境部署
• Prometheus+Grafana特征延迟监控
• 特征数据质量验证机制
• 模型运行错误实时监控
• 模型自动化重新训练流程

第6节 系统优化升级（开放讨论）

• 基于学员反馈定制优化课程内容
• 特征工程超参数优化实战
• 特征工程服务水平扩展
• Streamlit特征数据实时可视化