机器学习系统导论

作者、编辑与策划

所属机构

Vijay Janapa Reddi

哈佛大学

欢迎

机器学习已从一门研究学科发展为一项工程实践。构建能够从数据中学习的系统，不仅需要理解算法，还需要具备涵盖数据流水线、模型开发、部署约束、加速器行为和运维实践的专业知识。AI 能力并非一项软件功能，而是数据、算法和机器在统计约束与计算约束下协同设计所涌现的属性。本书将 AI 工程介绍为构建可在现实世界中运行的智能系统的学科，继而在单节点层面阐述其机器学习系统基础。全书涵盖四个领域：基础（系统特征、开发工作流）、构建（深度学习数学、架构、框架内部机制）、优化（压缩、硬件加速、基准测试）和部署（模型服务基础设施、运维、负责任的工程实践）。贯穿全书的重点是数据、算法和机器之间的定量权衡。

机器学习系统导论

出版社：麻省理工学院出版社（2026 年）

📖 下载 PDF

学习路径

本书按四个阶段展开：

• 第一部分：基础：建立支撑有效系统工作的概念基础与思维模型。
• 第二部分：构建：以工程方法构建从数据流水线到训练基础设施的完整工作流。
• 第三部分：优化：将理论理解转化为能够在资源受限环境中高效运行的系统。
• 第四部分：部署：掌握模型服务、运维和负责任的工程实践。

先修知识

本书假定读者具备：

• 熟练的 Python 编程能力，并熟悉 NumPy
• 本科水平的线性代数、微积分和概率论数学基础
• 具备机器学习经验会有所帮助，但并非必需；神经计算 提供了必要的背景知识

支持我们的使命

2026 年目标：帮助 100,000 名学生学习机器学习系统。EDGE AI 基金会等赞助方会为每一颗星标提供配套资金，用于支持学习。

加载中... ⭐ 在 GitHub 上点亮星标

在 Open Collective 上支持我们 →

收听机器学习系统播客

这期简短的播客使用 Google 的 NotebookLM 制作，灵感源自我们的IEEE 教育观点论文中的见解，以通俗易懂的方式概述本书的核心思想与主题。

参与贡献

这是一个协作项目。项目的贡献指南说明了如何参与。欢迎通过 GitHub 议题提供反馈、纠正错误并提出新想法。