Źródło: Link
118 lekcji bez kodowania. ChatGPT, Claude, Gemini, automatyzacje. Notatnik AI i AI Coach w cenie.
W zeszłym tygodniu koleżanka z działu produktu zapytała mnie: "Mamy prototyp modelu, który działa na moim laptopie. Jak teraz wdrożyć to na produkcję?" Znam to. Model działa lokalnie, demo wygląda świetnie, a potem zaczyna się zderzenie z rzeczywistością. Między eksperymentem a systemem produkcyjnym jest spora luka. Made With ML pokazuje, jak ją przejść bez chaosu i bez przepisywania wszystkiego od nowa.
W tym przewodniku pokażę Ci, jak zbudować system ML od podstaw - od pierwszych eksperymentów po wdrożenie i ciągłe ulepszanie. Bez magii. Za to z konkretnymi krokami i narzędziami, które da się uruchomić w praktyce.
Made With ML to otwarty kurs stworzony przez Goku Mohandasa, który zebrał ponad 40 tysięcy programistów na GitHubie. Materiały są dostępne za darmo na madewithml.com, a kod znajdziesz w repozytorium GokuMohandas/Made-With-ML.
Kurs zakłada, że:
GPU nie jest potrzebne. Większość przykładów działa na CPU. Jeśli chcesz przyspieszyć trening, kurs pokazuje też, jak wykorzystać Anyscale - platformę chmurową z gotowymi GPU.
Zanim otworzysz edytor, dobrze zrozumieć, z czego składa się kompletny system ML. Made With ML prowadzi przez to etapami. Nie wrzuca Cię od razu na głęboką wodę.
Kurs dzieli proces na cztery fazy:
Najważniejsza zasada jest prosta: każdy etap naturalnie prowadzi do następnego. Uczysz się MLOps wtedy, gdy widzisz konkretny problem do rozwiązania. To dużo lepsze niż wkuwanie narzędzi na sucho.
W trakcie kursu stworzysz:
Wszystko w Pythonie. Bez przeskakiwania między pięcioma językami (co samo w sobie bywa osobnym hobby).
Made With ML daje dwie opcje: pracę lokalnie na laptopie albo w chmurze przez Anyscale. Wybierz to, co pasuje do Twojego sprzętu i budżetu.
Jeśli masz laptop z przynajmniej 8 GB RAM:
git clone https://github.com/GokuMohandas/Made-With-ML.gitpip install -r requirements.txtjupyter notebooknotebooks/Twój laptop zadziała jak mini-cluster - jeden rdzeń CPU jako head node, reszta jako worker nodes. Do nauki i małych eksperymentów to w zupełności wystarczy.
Jeśli chcesz więcej mocy i dostęp do GPU:
Anyscale automatycznie zarządza infrastrukturą, więc możesz skupić się na kodzie. Jeśli dołączysz do live cohort - płatnych warsztatów grupowych - dostaniesz gotowy setup.
Made With ML nie startuje od kodu. Najpierw buduje zrozumienie od podstaw - po co dany koncept istnieje, jaki problem rozwiązuje i kiedy go używać.
Zamiast podejścia typu "zainstaluj MLflow i loguj metryki", kurs pokazuje:
Ten schemat wraca przy każdym temacie - od data validation po CI/CD. Najpierw problem, potem rozwiązanie. Dzięki temu wszystko ma sens także poza kursem.
Kurs obejmuje:
Każdy temat to osobna lekcja z kodem do uruchomienia.
Made With ML uczy nie tylko machine learningu, ale też software engineering. Kod, który napiszesz, ma wyglądać jak coś, co spokojnie przejdzie code review w normalnej firmie.
Nauczysz się:
Bez tych rzeczy system ML szybko zaczyna się sypać. Najczęściej już po pierwszym tygodniu na produkcji.
Zamiast chaotycznego folderu pełnego notebooków, stworzysz:
made-with-ml/ ├── data/ # surowe i przetworzone dane ├── models/ # zapisane modele ├── notebooks/ # eksperymenty ├── src/ # kod produkcyjny │ ├── data.py # data pipeline │ ├── train.py # trening │ ├── evaluate.py # ewaluacja │ └── serve.py # API ├── tests/ # testy ├── config.yaml # konfiguracja └── requirements.txt
Każdy plik ma jasną odpowiedzialność. Gdy do zespołu dołącza nowa osoba, od razu wie, gdzie czego szukać.
Kurs uczy skalowania w Pythonie - bez przerzucania się na Spark czy inne frameworki. Wykorzystuje Ray, bibliotekę, która pozwala rozproszyć obliczenia na wiele maszyn.
Największa zaleta? Ten sam kod działa lokalnie na laptopie i w chmurze na 100 GPU. Nie musisz utrzymywać osobnej wersji na dev i prod.
Pandas:
import pandas as pd
df = pd.read_csv("data.csv") # 1 rdzeń, 10 minut
df = df[df['price'] > 100]
Ray Data:
import ray
ds = ray.data.read_csv("data.csv") # wszystkie rdzenie, 2 minuty
ds = ds.filter(lambda row: row['price'] > 100)
API jest prawie identyczne, a Ray sam rozdziela pracę.
Made With ML pokazuje, jak połączyć narzędzia MLOps w spójną całość. Nie uczysz się każdego z nich osobno. Widzisz, jak współpracują.
Kurs wprowadza te narzędzia stopniowo. Każde pojawia się wtedy, gdy rozwiązuje konkretny problem.
Stworzysz pipeline, który:
Całość mieści się w jednym pliku YAML. Po pierwszym setupie ręcznej pracy zostaje naprawdę mało.
To jedna z największych zalet Made With ML. Kod, który piszesz lokalnie, działa na produkcji bez modyfikacji. Nie ma osobnego "prototypu" i osobnej "wersji produkcyjnej".
Kurs uczy pisać kod, który jest:
Zmieniasz tylko config - liczba workerów, typ maszyny - a logika zostaje taka sama.
Laptop (rozwój):
ray.init(num_cpus=2) # 2 rdzenie train_model(config)
Staging (testy):
ray.init(address="ray://staging-cluster:10001") # 10 maszyn train_model(config) # ten sam kod!
Produkcja (wdrożenie):
ray.init(address="ray://prod-cluster:10001") # 100 maszyn + GPU train_model(config) # nadal ten sam kod!
Funkcja train_model() nie musi wiedzieć, gdzie działa. Ray zarządza infrastrukturą.
Ostatni etap kursu to automatyzacja. Nauczysz się tworzyć pipeline, który stale trenuje i wdraża lepsze modele - bez Twojego ciągłego udziału.
Kurs pokazuje to modularnie - każdy krok jest osobnym jobem, który możesz podmienić albo wyłączyć.
Made With ML nie zamyka Cię w jednym narzędziu. Pokazuje wzorce, które działają z:
Uczysz się zasad, a nie jednej konkretnej implementacji. Dzięki temu łatwiej przenieść tę wiedzę do własnego stacku.
Made With ML celuje w trzy główne grupy:
Znasz backend, ale ML wydaje Ci się czarną magią? Ten kurs pokazuje, że to po prostu kolejny typ aplikacji - z danymi zamiast samych requestów HTTP. Jeśli umiesz zbudować API, zbudujesz też system ML.
Trenujesz modele w notebookach, ale nie wiesz, jak je wdrożyć? Ten kurs domyka lukę między eksperymentem a produkcją. Uczysz się software engineering bez porzucania Pythona.
Na studiach było sporo teorii - backpropagation, gradient descent - a mało praktyki wdrożeniowej? Made With ML działa jak most między akademią a przemysłem. Dostajesz umiejętności, których firmy naprawdę potrzebują.
Zarządzasz zespołem ML, ale techniczne szczegóły są mgliste? Kurs daje solidne podstawy. Wystarczające, żeby oceniać propozycje zespołu i podejmować świadome decyzje. Nie zamieni Cię w data scientista, ale rozmowy techniczne przestaną być loterią.
Przeszedłem kilkanaście kursów ML. Made With ML wyróżnia się trzema rzeczami.
Większość kursów uczy albo ML - jak trenować model - albo MLOps - jak go wdrażać. Made With ML prowadzi przez cały cykl: od problemu biznesowego po monitoring na produkcji. Widzisz cały obraz, a nie tylko jeden fragment.
Kurs nie pcha Cię w budowę "idealnego systemu" od pierwszego dnia. Pokazuje, co zrobić najpierw jako MVP, co dołożyć później przy skalowaniu i co odpuścić, żeby nie ugrzęznąć w przedwczesnej optymalizacji.
To nie jest tutorialowy kod, który później trzeba przepisać od zera. Materiał z kursu wygląda jak coś, co mogłoby przejść code review w Google czy Airbnb. Struktura projektu, testy i dokumentacja są dopracowane.
To zależy od Twojego tempa i wcześniejszej wiedzy:
Kurs ma około 20 lekcji. Każda zajmuje 30-60 minut czytania i 1-2 godziny kodowania. Łącznie daje to około 40-60 godzin materiału.
Jeśli znasz już Pythona i podstawy ML, możesz przeskoczyć pierwsze lekcje i skrócić ten czas mniej więcej o połowę.
Nie. Większość przykładów działa na CPU. Kurs używa małych datasetsów - tysięcy wierszy, nie milionów - żeby trening trwał minuty, a nie godziny.
GPU przyspieszy niektóre etapy, zwłaszcza deep learning i hyperparameter tuning, ale nie jest wymagane. Jeśli chcesz, Anyscale daje dostęp do GPU w chmurze i trial wystarcza na przejście kursu.
Ten kurs daje mocne fundamenty, ale to dopiero początek. Dalsze kroki są dość naturalne:
Możesz też sprawdzić jak wdrożyć RAG w swoim projekcie - to naturalny kolejny krok, jeśli chcesz budować aplikacje AI z wykorzystaniem LLM.
Nie musisz od razu rezerwować całego tygodnia. Otwórz madewithml.com, przejdź pierwszą lekcję - Overview - i uruchom pierwszy notebook lokalnie. To zajmie około 30 minut.
Po tym czasie od razu zobaczysz, czy ten styl nauki Ci odpowiada. Jeśli po pierwszej lekcji pomyślisz: "OK, to ma sens", idź dalej. Jeśli nie, stracisz tylko pół godziny, a nie cały tydzień.
Made With ML pokazuje, jak przejść od eksperymentu do produkcji. Jeśli jednak wolisz zacząć od podstaw AI, na darmowym webinarze pokazuję krok po kroku, jak oszczędzać 10 godzin tygodniowo dzięki AI bez wiedzy technicznej.
Zapisz się na darmowy webinar →Wolisz uczyć się we własnym tempie? Sprawdź kurs AI Evolution
Made With ML to kompletny przewodnik po budowie systemów ML - od pierwszego eksperymentu po automatyczne wdrożenia. Uczysz się tu nie tylko technik ML, ale też zasad software engineering i MLOps. Kod, który napiszesz, nadaje się do sensownego code review.
Kurs jest darmowy, otwarty i utrzymywany przez społeczność 40 tysięcy programistów. Jeśli chcesz przejść od prototypów w notebooku do działających systemów produkcyjnych, to bardzo dobry punkt startu.
Tak. Wszystkie materiały - lekcje, kod i notebooki - są dostępne za darmo na madewithml.com i GitHubie. Płatne są tylko live cohorty, czyli warsztaty grupowe z mentorem i dostępem do GPU, ale nie są potrzebne do przejścia kursu.
Wystarczą podstawy: zmienne, funkcje, pętle i klasy. Nie musisz być ekspertem. Kurs tłumaczy bardziej zaawansowane konstrukcje, takie jak dekoratory czy context managery, gdy się pojawiają. Jeśli masz za sobą dowolny kurs Pythona, dasz radę.
Tak. Kod jest na licencji MIT, więc możesz go używać, modyfikować i wdrażać w projektach komercyjnych bez ograniczeń. Wiele firm, w tym startupy z Y Combinator, używa Made With ML jako fundamentu swoich systemów ML.
Coursera i Fast.ai skupiają się głównie na ML - czyli na trenowaniu modeli. Made With ML obejmuje cały system: od danych po monitoring produkcyjny. Jeśli znasz już podstawy ML i chcesz nauczyć się wdrażania, ten kurs dobrze domyka temat. Jeśli dopiero zaczynasz, możesz najpierw sprawdzić podstawy jak działają duże modele językowe.
Nie. Kurs używa Ray, bo działa w czystym Pythonie i nie wymaga nauki Spark czy Scali. Same zasady, które tu poznasz - data parallelism i distributed training - przydadzą się też w innych frameworkach. Później możesz przenieść tę wiedzę na Spark, Dask czy Kubernetes.
Na podstawie: SukcesAI Course Material
Podoba Ci się ten artykuł?
Co piątek wysyłam podsumowanie najlepszych artykułów tygodnia. Zapisz się!
10 gotowych promptów do codziennej pracy + 5 narzędzi + plan na pierwszy tydzień. PDF, 4 strony konkretu.
90 minut praktycznej wiedzy o AI. Pokaze Ci krok po kroku, jak zaczac oszczedzac 10 godzin tygodniowo dzieki sztucznej inteligencji.
Zapisz sie na webinarReprezentujesz firme? Zobacz wdrozenia AI dla firm →
Chcesz nauczyć się uczenia maszynowego, ale nie wiesz od czego zacząć? Sprawdź darmowy kurs Microsoftu z 26 lekcjami i praktycznymi projektami.
Regresja ML to podstawa predykcji liczbowej w AI. Poznaj cztery sprawdzone metody budowy modelu regresji w Scikit-learn - od przygotowania danych po walidację wyników.
Twój model AI działa świetnie... przez miesiąc. Potem zaczyna się sypać. Poznaj konkretne kroki, jak zbudować system, który uczy się na bieżąco - zanim użytkownicy zaczną narzekać.
Chcesz nauczyć się LLM, ale gubisz się w ofertach kursów? Pokazuję, jak znaleźć wartościowe materiały edukacyjne i uniknąć pułapek marketingowych.
Statystyka i prawdopodobieństwo to fundament AI. Wyjaśniamy kluczowe pojęcia prostym językiem - bez matematycznego żargonu, z praktycznymi przykładami.
Zamień notatki w gotowy podcast w 30 minut. Konkretne narzędzia (NotebookLM, Descript, ElevenLabs), przepływ pracy krok po kroku i przykłady dla początkujących.
