Machine Learning Model Deployment - Mandarin Chinese

本综合课程提供了一份在 Databricks 上开发传统机器学习模型的实用指南，重点介绍使用主流 ML 库进行实践演示和工作流程。学员将浏览关键 ML 技术，包括回归和集群化，同时充分利用 Databricks 的强大功能。课程涵盖用于模型追踪的 MLflow 集成、用于功能管理的 Databricks 特征存储，以及用于超参数调优的 Optuna。此外，学员还将学习如何借助 Genie Code 加速模型开发——这是 Databricks 的 AI 驱动编程助手，利用自然语言、MCP 连接、指令和技能来指南完整的 ML 生命周期。课程结束时，学员将具备在 Databricks 环境中高效开发、优化和部署机器学习模型的实际应用技能。

注意：1. 这是 'Machine Learning with Databricks' 系列课程中的第二门课程。2. 对于 SCORM 课程文件，请确保完成内容后关闭 SCORM 窗口。请勿点击 ‘Next Lesson’ 按钮，否则可能导致 SCORM 模块无法标记为已完成。

本课程涵盖在 Databricks 上部署和监控生成式 AI 智能体的端到端生命周期。学员将学习如何使用 Declarative Automation Bundles（DABs）将智能体部署为 Databricks Apps，通过模型上下文协议（MCP）集成工具，使用 MLflow Tracing 对智能体进行埋点，以及使用评分器、多轮评判器和在线评估来评估生产质量。通过动手演示和实验，学员将获得在 Databricks 平台上构建、观测和监控生产级 AI 智能体的实践经验。

注意：对于 SCORM 讲授文件，请确保在完成内容后关闭 SCORM 窗口。请勿点击“Next Lesson”按钮，否则可能导致 SCORM 模块无法被标记为已完成。

本课程将为您提供对机器学习生命周期和 MLOps 的全面理解，重点介绍数据与模型管理、测试以及可扩展架构的最佳实践。课程涵盖 MLOps 的关键组件，包括 CI/CD、管道管理和环境隔离，同时展示 Databricks 用于自动化和基础设施管理的工具，如 Declarative Automation Bundles（DABs）、Lakeflow Jobs 和 Model Serving。您将学习监控、自定义指标、漂移检测、模型发布策略、A/B 测试，以及可靠 MLOps 系统的设计原则，从而全面掌握在 Databricks 中实施和管理 ML 项目的方法。

注意：

本课程是“Advanced Machine Learning”系列中的第二门课程。对于 SCORM 课程文件，请确保完成内容后关闭 SCORM 窗口。请勿点击 ‘Next Lesson’ 按钮，否则可能导致 SCORM 模块无法标记为已完成。