Trải nghiệm khi dùng Made With ML
Bạn vào madewithml.com để đọc các bài học, và dùng repo trên GitHub để lấy code. README nói khoá đi theo vòng: Design, Develop, Deploy, Iterate, tức thiết kế, phát triển, triển khai rồi cải tiến liên tục. Mỗi phần giải thích vì sao cần một thành phần như theo dõi thí nghiệm, kiểm thử hay CI/CD thay vì ném mô hình vào một notebook rồi thôi.
Khác với các giáo trình dạy thuật toán, khoá này tập trung vào kỹ thuật phần mềm cho học máy. Bạn học cách tổ chức code thành các module, huấn luyện và điều chỉnh tham số ở quy mô lớn bằng framework phân tán Ray, theo dõi bằng các công cụ MLOps, và tạo quy trình CI/CD để tự huấn luyện, tự triển khai bản tốt hơn.
Phần cài đặt trong README cho bạn chọn môi trường: máy tính cá nhân của bạn đóng vai cụm máy, hoặc dùng nền tảng Anyscale, hoặc các đám mây và Kubernetes khác. Máy cá nhân chạy được toàn bộ code nhưng sẽ chậm hơn. Đây không phải khoá nhập môn, hãy có sẵn nền tảng Python và học máy cơ bản.
Tính năng nổi bật
Đi từ nguyên lý đến sản xuất
Bạn không chỉ học mô hình mà học cả quy trình đưa nó vào chạy thật và duy trì lâu dài.
Thực hành tốt về kỹ thuật phần mềm
Tổ chức code theo module, kiểm thử và chuẩn hoá cách làm để nhóm nhiều người cùng làm được.
Mở rộng quy mô với Ray
Huấn luyện, tinh chỉnh và phục vụ mô hình bằng Python mà không phải học một ngôn ngữ mới.
Các thành phần MLOps
Theo dõi thí nghiệm, kiểm thử, phục vụ mô hình và điều phối công việc kết nối thành một hệ thống.
Quy trình CI/CD
Hướng dẫn xây quy trình tự động huấn luyện và triển khai mô hình theo kiểu module hoá.
Chạy trên máy cá nhân hoặc đám mây
README có hướng dẫn cho laptop, nền tảng Anyscale và các môi trường như AWS, GCP, Kubernetes.
Tận dụng Made With ML vào việc gì?
Data scientist, kỹ sư học máy
Chuyển từ làm notebook sang làm sản phẩm
Học cách đóng gói thí nghiệm thành hệ thống có kiểm thử, theo dõi và triển khai.
Trưởng nhóm dữ liệu, DevOps
Xây quy trình MLOps cho nhóm
Tham khảo cách ghép các thành phần như tracking, serving, orchestration thành một quy trình thống nhất.
Sinh viên mới ra trường, người chuyển nghề
Chuẩn bị phỏng vấn kỹ sư học máy
Đọc phần thiết kế hệ thống học máy để hiểu kỳ vọng của doanh nghiệp ngoài kiến thức thuật toán.
Quản lý sản phẩm AI
Đánh giá độ chín của dự án AI
Đọc phần giải thích nguyên tắc để biết cần những gì khi đưa mô hình vào sản phẩm thật.
Cần chuẩn bị gì?
- Nền tảng Python và biết sơ học máy; README hướng tới nhà phát triển, sinh viên mới ra trường và người quản lý sản phẩm.
- Tài khoản GitHub để tạo repo cá nhân theo hướng dẫn của khoá.
- Máy tính cá nhân đủ chạy code, hoặc tài khoản Anyscale hay đám mây nếu muốn quy mô lớn; máy cá nhân sẽ chậm hơn.
- Kết nối Internet để cài gói và theo dõi bài học trên madewithml.com.
Hướng dẫn cài đặt chi tiết
Cài trên Đọc bài học
Mở trang bài học trên trình duyệt. Đây là nơi có phần giải thích đầy đủ nhất của khoá.
https://madewithml.com/Đọc theo thứ tự, vì các bài xây dựng dựa vào nhau.
Cài trên Chạy code trên máy
README yêu cầu bạn tự tạo một repo mới tên Made-With-ML trên GitHub (nhớ bật thêm file README để có nhánh main), rồi clone mã nguồn của khoá vào thư mục đó. Mở Terminal và chạy lệnh, thay GokuMohandas bằng đúng đường dẫn nếu bạn dùng bản fork.
git clone https://github.com/GokuMohandas/Made-With-ML.git .Chọn môi trường Local trong phần Set up của README, khi đó laptop đóng vai cụm máy. Làm tiếp các bước thiết lập môi trường và biến môi trường theo README, ví dụ file .env chứa tên người dùng GitHub của bạn.
Cài các gói Python theo hướng dẫn trong README rồi chạy lần lượt các notebook và script của từng phần.
Cài trên Anyscale hoặc đám mây
Nếu có tài khoản Anyscale, tạo workspace theo cấu hình README nêu, hoặc dùng AWS, GCP, Kubernetes với Ray như các liên kết trong README.
Cấu hình đám mây có thể phát sinh chi phí tính theo giờ sử dụng, hãy kiểm tra giá trước khi chạy.
Dùng thử lần đầu
Xem video tổng quan trên trang bài học để nắm hệ thống sẽ xây là gì.
Làm các bước Set up: tạo repo, clone mã nguồn và thiết lập thông tin đăng nhập theo README.
Đọc phần Design rồi Develop trên madewithml.com và chạy code tương ứng trên máy.
Đọc phần Deploy để thấy mô hình được đóng gói và phục vụ như thế nào.
Làm phần Iterate với CI/CD để biết cách cải tiến mô hình liên tục một cách có kiểm soát.
Mẹo dùng hay
- Học theo thứ tự trên web thay vì nhảy thẳng vào code, vì phần giải thích nguyên lý nằm ở đó.
- Dùng laptop để học khái niệm trước, chỉ thuê tài nguyên đám mây khi thật sự cần quy mô lớn.
- Ghi lại các lỗi cài đặt gặp phải vì công cụ MLOps hay đổi phiên bản.
- Kết hợp với giáo trình nền như ML for Beginners nếu bạn cần ôn lại khái niệm học máy.
Lưu ý và hạn chế
- Đây không phải khoá nhập môn; người mới hoàn toàn với Python hoặc học máy sẽ thấy khó.
- Một số công cụ trong khoá thay đổi nhanh, nên bước cài đặt có thể phải điều chỉnh so với hướng dẫn.
- Dùng Anyscale hoặc đám mây có thể phát sinh chi phí; máy cá nhân chạy được nhưng chậm hơn.
Câu hỏi thường gặp
Made With ML có miễn phí không?
Có, nội dung bài học và code trong repo là miễn phí, giấy phép MIT. Chi phí chỉ phát sinh nếu bạn thuê tài nguyên đám mây.
Khoá này dành cho ai?
README nêu ba nhóm: các nhà phát triển phần mềm hoặc dữ liệu, sinh viên mới tốt nghiệp muốn lấp khoảng cách với thực tế, và người làm sản phẩm hoặc quản lý muốn có nền tảng kỹ thuật.
Máy bình thường chạy được không?
README nói toàn bộ code chạy được trên laptop cá nhân nhưng chậm hơn so với dùng cụm máy hay nền tảng đám mây.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/GokuMohandas/Made-With-ML.gitRepo tương tự nên xem
ML for Beginners
microsoft / ML-For-Beginners
Giáo trình 12 tuần, 26 bài về học máy cổ điển của Microsoft, có quiz và bài tập
LLM Course
mlabonne / llm-course
Lộ trình tự học mô hình ngôn ngữ lớn (LLM) từ nền tảng đến xây ứng dụng, kèm notebook chạy được trên Colab
scikit-learn
scikit-learn / scikit-learn
Thư viện học máy cổ điển bằng Python: phân loại, dự đoán, gom nhóm dữ liệu bảng rất dễ dùng