在 MLOps Zoomcamp 中实践公开学习：从作业提交到个人技术品牌的完整指南-平芜编程栈

在 MLOps Zoomcamp 中实践公开学习：从作业提交到个人技术品牌的完整指南

【免费下载链接】mlops-zoomcampFree MLOps course from DataTalks.Club. Register here 👇🏼 to get notified about the next cohort项目地址: https://gitcode.com/GitHub_Trending/ml/mlops-zoomcamp

本篇指南以 MLOps Zoomcamp 课程仓库中的 learning-in-public.md 为主体，系统讲解“公开学习”（Learning in Public）这一学习方式：为什么要把学习过程公开记录下来、在 MLOps Zoomcamp 中它与作业和项目提交流程如何衔接，以及如何围绕课程的六大 MLOps 模块组织可检索、可引用的公开学习内容。读完后你将掌握一套贯穿 9 周课程的公开学习实践方案，知道在每个模块该发布什么、发布到哪里、以及如何让自己的学习记录被社区、面试官和潜在合作者看到。

为什么要把学习过程公开

大多数人的学习是私密的：消费了课程、文档和视频，却从不告诉别人。原文档明确指出，这本身没有任何问题；但课程方希望鼓励你把学习进度记录下来，并公开分享到社交媒体上。

公开学习带来的收益在原文档中被归纳为四点：

扩展你的社交网络：结识新朋友、结交新伙伴（Expanding your network: meeting new people and making new friends）；
被邀请参与 Meetup、会议和播客（Being invited to meetups, conferences and podcasts）；
获得工作机会或客户（Landing a job or getting clients）；
以及许多其他好事（Many other good things）。

此外，learning-in-public.md 还指向了一篇关于“为什么要公开发布自己的作品”的更全面的外部延伸阅读（publishing your work 指南），读者可结合外部资料进一步深化理解；本文则聚焦于该理念在本课程中的具体落地。

从仓库中的实际案例可以印证这些收益：cohorts/2022/leaderboard.md 收录了 2022 届学员的 Top 100 榜单，其中绝大多数条目都附带了 LinkedIn、GitHub 项目仓库，不少学员还附上了个人博客、个人网站等业务链接。这些公开痕迹正是“公开学习”的直接产物——榜单本身就是由学员公开的帖子和项目链接汇总而成的。

公开学习与 MLOps Zoomcamp 的关系

要理解公开学习在本课程中的位置，先要理解课程本身的形态。根据仓库根目录的 README.md：

MLOps Zoomcamp 是一门免费的 9 周课程，覆盖 MLOps 从训练、实验到部署、监控的完整链路；
课程由 6 个模块加 1 个最终项目组成：
- 模块 1：Introduction——MLOps 是什么、成熟度模型、NYC Taxi 数据集（贯穿课程的示例）、环境搭建；
- 模块 2：Experiment Tracking & Model Management——MLflow 基础、模型保存与加载、模型注册表；
- 模块 3：Orchestration & ML Pipelines——工作流编排；
- 模块 4：Model Deployment——在线（web、streaming）与离线（batch）三种部署策略，Flask Web 服务、AWS Kinesis & Lambda 流式部署、批量评分；
- 模块 5：Model Monitoring——基于 Prometheus、Evidently、Grafana 的 Web 服务监控，以及基于 Prefect、MongoDB、Evidently 的批处理任务监控；
- 模块 6：Best Practices——单元/集成测试、Lint、pre-commit、GitHub Actions CI/CD、Terraform 基础设施即代码；
- 最终项目：把以上所有内容整合为一个端到端的 MLOps 项目。

课程提供两种参与方式（见 README.md 中的 Live Cohort / Self-Paced 对比表）：

Live Cohort	Self-Paced
作业	有评分	可完成但不计分
排行榜	有	无
同行评审	有	无
证书	有	无

两种方式的课程材料都是同一个开源仓库，即本仓库。这意味着：无论你参加哪种形式，公开学习的素材来源都是这套模块材料。Live Cohort 学员在提交作业时可以直接附带公开学习帖子（见下一节）；Self-Paced 学员则没有评分和排行榜机制，公开分享更多依赖个人主动维护博客或社交账号。

课程元数据 course.yaml 中定义了统一的社区标签hashtag: mlopszoomcamp，这是你在社交媒体发布内容时建议携带的话题标签，便于同类内容聚合和被社区检索。

如何提交公开学习帖子：与作业、项目同一入口

原文档的核心操作说明在 “Learning in Public for Zoomcamps” 一节：当你提交作业（homework）或项目（project）时，可以同时提交你的 Learning in Public 帖子。具体要点：

提交入口在课程平台。上方第一张截图（images/learning-in-public-links.png）展示的就是课程平台提交表单中 Learning in Public 帖子链接的填写位置——表单除了作业/项目链接外，还预留了公开学习帖子的链接字段。
帖子形态以原文档的视频预览为准。第二张截图（images/learning-in-public.png）是原文档附带的视频封面，演示了一个典型的公开学习帖子呈现效果：一段面向社交媒体受众、介绍你本阶段学习成果的内容。

适用前提：该提交入口依赖课程平台（courses.datatalks.club）的作业/项目提交流程，属于 Live Cohort 的组成部分；Self-Paced 学习者没有平台评分流程，可参考同样的“每次作业/项目产出一个公开帖子”的节奏自行安排。

每个模块该公开什么：内容组织建议

结合 README.md 的 syllabus 和各模块 README，可以把 9 周的公开学习节奏规划为如下内容序列。每完成一个模块，围绕该模块的技术产出发布一条帖子，形成可连续追踪的学习轨迹：

阶段	模块	可公开的核心内容	参考材料
第 1 周	Introduction	环境搭建过程（Anaconda、Docker、Codespace 或 AWS VM）、NYC Taxi 时长预测基线模型	01-intro/README.md、01-intro/duration-prediction.ipynb
第 2 周	实验跟踪	MLflow 记录实验、对比不同超参、模型注册表实践	02-experiment-tracking/README.md、02-experiment-tracking/model-registry.ipynb
第 3 周	编排	用工作流编排工具串联数据下载与训练流程	03-orchestration/README.md
第 4 周	部署	batch / web service / streaming 三种部署方式的对比实验与 Dockerfile 设计	04-deployment/README.md
第 5 周	监控	用 Evidently + Grafana 做数据漂移监控的仪表盘实操	05-monitoring/README.md、05-monitoring/dashboards/data_drift.json
第 6 周	最佳实践	测试、CI/CD、Terraform 的集成落地	06-best-practices/README.md
第 7 周起	最终项目	端到端 MLOps 项目的完整仓库与架构说明	07-project/README.md

公开内容不必限于社交短帖。从 2022 届榜单（cohorts/2022/leaderboard.md）可以看到多种被社区认可的公开形式：

独立 GitHub 项目仓库：几乎每条榜单条目都附项目仓库链接，如“Project”一列；
技术博客系列：有学员将 MLOps 学习拆成 part 1 至 part 4 的多篇博客（实验跟踪、编排、部署、监控各一篇），附在榜单的 “More info” 折叠区中；
个人网站与业务站点：部分学员同时挂出个人博客、portfolio 甚至业务站点。

最终项目阶段：让公开学习沉淀为可验证的作品

最终项目是公开学习的集大成时刻。07-project/README.md 对项目提出了具体要求，这些要求与“公开学习”高度契合——它们本质上就是在教你如何让作品对外可理解、可运行、可评估：

项目需要覆盖：选择数据集、训练并跟踪实验、构建训练流水线、以 batch/web/streaming 之一部署、监控模型表现、遵循最佳实践；
纽约出租车数据集被明确排除在项目之外（它用于课程各模块作业），你需要自选其他数据集；
技术栈不限于课程所教（云、MLflow/Weights & Biases、Prefect/Airflow/Flyte/Kubeflow/Argo、Evidently/whylogs、GitHub Actions、Terraform/Pulumi 等），使用课程未覆盖的工具时要在说明中解释该工具的作用——这正是公开帖子写作的关键要求：面向读者而非自己；
评分标准（Evaluation Criteria）中“Reproducibility”一项明确奖励“说明清晰、代码易于运行、依赖版本完整指定”，且文档特别建议：为项目新建一个独立仓库，起有意义的标题（如 “Car Price Prediction”），并在 README 中尽可能详细地记录一切——理由原文写得很直白：“这样做不仅便于向潜在雇主展示项目，也有助于被收录进 Projects Gallery”。

此外，Live Cohort 中项目采用同行评审（peer reviewing）：需评价 3 个同行项目，每次评价额外加分。公开学习在这里形成闭环——你的公开帖子和项目仓库是别人评审你的材料，你评审别人的公开作品也是学习其 MLOps 实现的机会。

实践清单

综合原文档与仓库材料，可以把公开学习压缩为一份可执行清单：

每个模块结束发布一条帖子：说明本模块解决的问题、你的操作过程、遇到的坑与收获；
每条帖子附带可验证链接：GitHub 仓库、代码文件、仪表盘或博客全文，让读者能复核；
统一携带mlopszoomcamp话题标签（见 course.yaml），让同届学员的公开学习互相可见；
提交作业时同步填写帖子链接：在课程平台作业/项目表单的 Learning in Public 字段中提交（对应 learning-in-public.md 中的截图说明）；
最终项目阶段把全部帖子、仓库和 README 整合成个人作品集，并按项目评分标准自查可复现性、测试与 CI/CD 覆盖。

公开学习不是对课程内容的替代，而是对课程过程的记录与放大：它把你的 9 周学习转化为可持续检索、可被社区引用的技术资产，这正是 MLOps Zoomcamp 在 learning-in-public.md 中倡导这一做法的核心目的。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考