AI 与机器学习martin.zinkevich.org编辑精选
Google 机器学习工程最佳实践
Best Practices for ML Engineering from Google [pdf]
2017 — 2019，它一次次回到首页
黑点是上首页（≥ 50 分）的那次投稿，空心点是没冲上去的投稿，点越大分数越高。
导读
这份 PDF 是 Google 的 Martin Zinkevich 总结的机器学习工程最佳实践，以规则形式讲如何把 ML 用在产品与系统中。它偏重工程落地和产品视角，而不是算法理论。
为什么经久不衰：它把 ML 从研究转向工程落地的经验浓缩成可操作规则，今天启动 ML 项目时仍值得先读。
HN 评论精选
推荐补充阅读，聚焦 ML 系统上线后的运维影响。
Google 还有另一个不错的资源 [1]，更关注部署依赖 ML 的系统后的运维影响（我是共同作者）。我老板写的 [2] 也很棒。
MichaelSalib查看英文原文
Another good resource from Google is [1] which focuses more on operational impacts after you deploy a system that relies on ML (I'm a coauthor). [2], which was written by my boss, is also great. [1] https://sites.google.com/site/wildml2016nips/SculleyPaper1.pdf?attredirects=0 [2] https://research.google.com/pubs/pub43146.html
喜欢文中“像工程师而非 ML 专家那样做 ML”的核心表述。
哈！我很喜欢这句话：“要打造优秀产品：像你作为一名优秀工程师那样做机器学习，而不是像你并不是的那种机器学习专家那样。”
zengid查看英文原文
Ha! I love this line: "To make great products: Do machine learning like the great engineer you are, not like the great machine learning expert you aren’t."
指出网页版更易读，适合项目开始前复习。
这些规则也收录在 Google 的机器学习指南 [1] 里。我觉得那个网站更易读。绝对是开始任何 ML 项目前值得复习的优质资源！
kalendos查看英文原文
These rules are also on Google's Machine Learning Guide[1]. I find the website easy to parse. Definitely an awesome resource to review before jumping into any ML project! [1] https://developers.google.com/machine-learning/guides/rules-of-ml
认为内容多年未更新，希望有更新版本。
这是一份很棒的参考，但自几年前发布以来一直没变。有没有更新的资料或修订意见推荐？
bertil查看英文原文
This is a great reference but it hasn’t changed since it was published, several years ago. Anything more recent, any updated comments you’d recommend?
历次讨论
同类还值得读
如何写一个拼写纠正器
How to Write a Spelling Corrector
Peter Norvig 用一个几十行的 Python 程序演示如何做拼写纠正：先用编辑距离（删除、插入、替换、换位）生成所有可能的候选词，再用从大量文本中统计出的词频概率，选出…
AI 与机器学习上首页 10 次 · 2007–2022norvig.com编辑精选面向黑客的概率编程与贝叶斯方法
Probabilistic Programming and Bayesian Methods for Hackers (2013)
《黑客的贝叶斯方法与概率编程》是一本开源的贝叶斯统计入门书，以 Python/PyMC 代码和交互式 Jupyter Notebook 为主线，强调“先实践、后数学”的学习路径，…
AI 与机器学习上首页 5 次 · 2013–2018camdavidsonpilon.github.io编辑精选神经网络黑客指南
Hacker's Guide to Neural Networks
Andrej Karpathy 写的神经网络入门教程，面向程序员，从最简单的表达式求导讲起，逐步推导出反向传播和梯度下降，最后引出神经网络。
AI 与机器学习上首页 4 次 · 2014–2019karpathy.github.io编辑精选神经网络能逼近任意函数的可视化证明
A visual proof that neural nets can approximate any function
这一章来自 Michael Nielsen 的在线书《Neural Networks and Deep Learning》，用 sigmoid 单元叠加成局部隆起/平滑阶跃的图示…
AI 与机器学习上首页 4 次 · 2014–2022neuralnetworksanddeeplearning.com编辑精选论乔姆斯基与统计学习的两种文化
On Chomsky and the Two Cultures of Statistical Learning
Norvig 回应 Chomsky 对统计语言模型批评的文章，围绕“统计学习能否解释语言”展开，比较生成与解释、少参数模型与 Shannon 式高参数统计模型。
AI 与机器学习上首页 4 次 · 2011–2025norvig.com编辑精选