MLOps Zoomcamp 把模型帶上線的完整路線
9 個免費模組、14.8k 星標，從實驗追蹤到部署監控與最終專案，幫你判斷這門 MLOps 課程是否適合把模型推進 production。
這門免費課程用 9 個模組帶你把機器學習模型做成可部署、可監控的 production 系統。
MLOps Zoomcamp 是一門免費的 9 週課程，GitHub 上有 14.8k stars，重點不是再教一次模型訓練，而是把你從實驗腳本一路帶到部署與監控。看完下面 5 項，你可以判斷自己缺的是模型管理、pipeline、部署方式，還是工程化習慣。
| 項目 | 重點 | 可比規格 |
|---|---|---|
| 課程長度 | 學習節奏 | 9 週 |
| GitHub 熱度 | 社群關注 | 14.8k stars |
| 模組數 | 內容範圍 | 9 個模組 |
| 專案收尾 | 實作成果 | 1 個 final project |
1. 先把 MLOps 的全貌看懂
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
這門課先回答一個最關鍵的問題：模型訓練完之後，接下來到底要做什麼。開場模組會講 MLOps 的基本概念、課程結構，並用 MLOps Zoomcamp 的 NY Taxi 範例把整條流程串起來。
如果你已經會基本機器學習，但還沒碰過 production 流程，這一段最適合先看。它也明確設了門檻：Python、Docker、命令列工具，還有大約一年的程式經驗，代表這不是入門 ML 課，而是把既有技能接到實戰管線。
- 適合：資料科學家、ML 工程師、軟體工程師
- 形式：預錄影片加作業
- 主軸：MLOps maturity model、環境設定、課程導覽
2. 先管住實驗，才管得住模型
很多團隊卡住的第一步，不是訓練不出模型，而是忘了哪次實驗用了什麼參數。這一模組把 experiment tracking、MLflow、模型儲存與載入、model registry 放在一起，讓你能比較 run、保留版本、追蹤結果。
如果你曾經在 notebook、腳本、雲端實驗之間迷路，這段會很有感。它的價值在於把一次性的訓練行為，變成可重現、可查詢、可交接的流程。
重點：experiment tracking / MLflow basics / model registry / save-load / homework3. 把零散腳本變成可跑的 pipeline
當實驗管理穩定後，課程接著談 orchestration，也就是怎麼讓資料處理、訓練、驗證按順序可靠執行。這一段的核心不是炫技，而是把分散的腳本整理成能重複跑的 ML pipeline。
對需要減少人工操作、降低 glue code 脆弱度的團隊來說，這是很實用的一章。它讓你開始思考「流程」而不只是「單次訓練」，也更接近真實團隊的交付方式。
- 目標：自動化多步驟工作流
- 結果：可重用的 pipeline 結構
- 練習：完成 orchestration 作業
4. 部署不是只有一種做法
部署模組會比較 online、streaming 和 batch 三種方式，並提到 Flask、AWS Kinesis、Lambda 與 batch scoring。這種安排很重要，因為不同模型對延遲、吞吐和成本的要求完全不同。
如果你主要只接觸過訓練，這一章會幫你補上「模型怎麼真的到使用者手上」的那一段。你會更清楚什麼情況該做 web service，什麼情況適合串流，什麼情況 batch 就夠了。
- Online：web service 或 streaming
- Offline：batch scoring
- 工具：Flask、AWS Kinesis、Lambda
5. 監控是 production ML 的分水嶺
這門課把 monitoring 當成正式模組處理，而不是附帶補充。它同時涵蓋 service monitoring 與 batch monitoring，工具包含 Prometheus、Evidently、Grafana，以及 Prefect、MongoDB、Evidently 的組合。
這種拆法很實際，因為線上服務和批次任務出問題的方式不一樣。若你想觀察 data drift、服務健康度、任務結果，這一章可以當作入門工具箱。
Web monitoring: Prometheus + Evidently + Grafana
Batch monitoring: Prefect + MongoDB + Evidently6. 把工程習慣補齊，系統才撐得久
最後一個核心模組把焦點拉回工程實務，包括 unit test、integration test、linting、formatting、pre-commit hooks、GitHub Actions 的 CI/CD，以及 Terraform 的 infrastructure as code。
如果你已經有模型，卻總覺得交付品質不穩，這一段很值得補。它不是在教你多一個模型技巧，而是在教你怎麼讓流程可審查、可自動化、可重現，這正是 production 團隊最在意的部分。
- 測試：unit 與 integration
- 自動化：pre-commit、GitHub Actions
- 基礎設施：Terraform
怎麼挑，才不會白學
如果你想要的是一條免費、結構清楚、從實驗到部署再到監控的路線，這門課很適合。它特別適合已經會 Python 和 Docker、但還沒把 ML 送進 production 的人。
如果你只想快速補單點技能，像是 MLflow、部署或監控，也可以直接跳到對應模組；但若你想最後拿出一個能展示的系統，跟著 final project 走完整條線會更划算。