ML OPS的深入介绍

本周我们继续ML Platform系列讲座的第二讲，很开心邀请到Dan Sun给我们带来关于ML OPS的介绍，相关内容总结如下：

Slides

1. Dan使用的Slides和相关链接。
   • MLOps Is a Mess But That’s to be Expected
   • What is Modern Data Stack, and why is everyone making such a big deal about it?
   • Start Data Engineering
   • Google Cloud: Artifact Registry vs Container Registry
2. ML Platform系列讲座总结：
   • 第一讲：ML Infra的整体框架介绍
   • 第二讲：ML OPS的深入介绍
   • 第三讲：Model Serving的介绍
   • 第四讲：资源调度，Federated Learning的介绍
   • 第五讲：Model Distributed training的介绍
   • 第六讲：Feature Store, Parameter Server的介绍
   • 第七讲：KServe和Triton的介绍 — realtime inference

Q&A

感谢Nancy提供的笔记供参考

Spark和Spark Stream的差别

1. 【扩展】关于spark core 和spark streaming 的区别
2. 【扩展】一文读懂 Spark 和 Spark Streaming
3. 【扩展】Spark——Spark Streaming 对比 Structured Streaming
4. 【扩展】spark streaming structured streaming区别

Batch和Stream的差别

1. 【扩展】Netflix: 从 Batch ETL 到 Stream Processing 的转型之路
2. 【扩展】Streaming 101
3. 【扩展】流处理（Stream）和批处理（Batch）

Numpy, Pandas, Dask, Spark, PySpark的比较

1. 【扩展】Spark vs Dask Python生态下的计算引擎
2. 【扩展】有比Pandas 更好的替代吗?对比Vaex, Dask, PySpark, Modin 和Julia
3. 【扩展】决战大数据之巅：Spark、Dask、Vaex、Pandas的正面交锋
4. 【扩展】Which library should I use? Apache Spark, Dask, and Pandas Performance Compared(With Benchmarks)

再次感谢大家的参与，也希望大家有好的资源能联系我更新这篇文章，或者在下面留言。谢谢大家。

下周话题安排和往期话题回顾敬请参见《系统设计开荒小分队话题讨论简介》

欢迎大家订阅公众号或者注册邮箱（具体方法见左右侧边栏），可以第一时间收到更新。