1. 课程导论与目标：XGBoost在线评分部署的整体架构、课程目标、前置知识要求

1.1 课程定位与核心挑战

本课程聚焦于将训练完成的 XGBoost 模型以低延迟、高并发的方式部署到生产环境，提供实时的在线评分（Inference）服务。与离线批量预测不同，在线评分对响应时间（通常要求 P99 < 50ms）、服务稳定性及资源利用率有极高要求。

1.2 在线评分部署整体架构

一个典型的 XGBoost 在线评分系统采用分层架构，从模型训练到最终服务调用，通常包含以下四个核心层次：

1.3 课程目标

完成本课程后，学员将具备独立设计并实施 XGBoost 模型在线评分部署方案的能力。具体目标如下：

1.4 前置知识要求

为确保学习效果，建议学员在开始本课程前具备以下基础：

• Python 编程： 熟练使用 Python 3.7+，掌握 pandas、numpy 基础操作，了解 Flask 或 FastAPI 的基本路由写法。
• 机器学习基础： 理解决策树、集成学习（Bagging/Boosting）的基本原理，有使用 XGBoost 完成分类或回归任务的经验。
• Linux 操作： 熟悉常用命令行操作（文件管理、进程查看、端口监听），能够使用 vim 或 nano 编辑配置文件。
• Docker 基础： 了解镜像（Image）与容器（Container）的概念，能够编写简单的 Dockerfile 并执行 docker build 和 docker run。
• Kubernetes 入门： 了解 Pod、Service、Deployment 等核心资源对象，能够使用 kubectl 进行基本操作。

1.5 课程内容概览

本课程共分为 30 章，按照从基础到进阶、从开发到运维的路径组织：