在大数据时代，机器学习（ML）在互联网领域取得了巨大的成功，数据应用也逐渐从“数据驱动”阶段向“模型驱动”阶段跃升，但这也给ML项目落地带来了更大的困难，为了适应时代的发展，MLOps应运而生。本书从多个方面介绍了MLOps实践路径，内容涵盖了设计、构建和部署由ML驱动的应用程序所需的各种实用技能。
本书适合数据科学家、软件工程师、ML工程师及希望学习如何更好地组织ML实验的研究人员阅读，可以帮助他们建立实用的MLOps实践框架。

李攀登，非参数统计硕士，AlgoLink（专注于MLOps研发与应用）的创始人，出海游戏公司博乐科技数据专家。曾任万达集团算法专家，蓝色光标算法团队负责人，Teradata资深数据挖掘工程师，亚信科技高级数据挖掘工程师。研究方向为机器学习、推荐系统、MLOps，拥有机器学习算法应用相关专利7项，MLOps专利2项，软件著作权1项。

第1章 MLOps概述
1.1 机器学习涉及的概念
1.1.1 监督学习
1.1.2 无监督学习
1.1.3 半监督学习
1.1.4 强化学习
1.1.5 何时使用机器学习
1.2 机器学习相关符号及术语定义
1.2.1 原始数据、输入数据、特征与特征工程
1.2.2 训练样本及预留样本
1.2.3 参数与超参数
1.2.4 参数模型、非参数模型、极大似然估计
1.2.5 机器学习管道
1.2.6 模型选择与性能权衡
1.3 机器学习的工程挑战与MLOps解决方案
1.3.1 MLOps的定义
1.3.2 MLOps与其他Ops的区别
1.3.3 谁在关注MLOps
1.3.4 为什么需要MLOps
1.3.5 MLOps给企业带来的增益
1.3.6 MLOps的工作流程
1.3.7 MLOps工程师需要具备的技能
1.3.8 什么时候真正需要MLOps
1.4 MLOps框架下的工程实践
1.4.1 机器学习工程及生产化模块
1.4.2 机器学习工程模块的设计原则
1.4.3 进行机器学习工程的模块设计时需要注意的细节
1.4.4 编码环境与模型探索
1.4.5 特征存储
1.4.6 实验管理和模型管理
1.4.7 服务
1.4.8 模型服务规模化
1.4.9 模型监控
1.5 本章总结
第2章 在MLOps框架下开展机器学习项目
2.1 界定业务范围阶段
2.1.1 在项目规划时考虑生产化
2.1.2 业务需求
2.1.3 确定衡量指标和项目范围
2.1.4 设计初步解决方案
2.1.5 制定共同语言
2.1.6 数据权限及准备
2.2 研究与探索阶段
2.2.1 数据探索
2.2.2 技术有效性检查
2.3 模型开发阶段
2.3.1 模型开发的必要准备
2.3.2 模型开发
2.3.3 模型验证
2.4 模型生产化阶段
2.5 机器学习项目生命周期
2.6 团队建设及分工
2.6.1 企业数字化程度
2.6.2 界定机器学习团队的角色
2.6.3 探讨机器学习项目的团队建设与分工
2.6.4 项目外包还是自建机器学习团队
……
第3章 MLOps的基础准备：模型开发
第4章 ML与Ops之间的信息存储与传递机制
第5章 模型统一接口设计及模型打包
第6章 在MLOps框架下规模化部署模型
第7章 MLOps框架下的模型发布及零停机模型更新
第8章 MLOps框架下的模型监控与运维
第9章 对MLOps的一些实践经验总结