系列文章
[Day 01] 前言 — 是誰殺了模型?
緣起 不知道大家是否有這樣的經驗，買了一本標榜手把手教學的書，隨書附贈的 GitHub 頁面上有與每個章節搭配的 Jupyter Notebook，有些甚至還有...
[Day 02] Why MLOps — 從"地平說" 走向宇宙
Machine learning is now a product engineering discipline. — Josh Tobin 全端深度學習...
[Day 03] 機器學習產品生命週期 — 救救我啊我救我
MLOps is an emerging discipline and comprises a set of tools and principles to ...
[Day 04] 部署模型的挑戰 — 資料也懂超級變變變!?
部署模型有兩個主要的挑戰，事實上這兩個挑戰隱含了機器學習產品生命週期裡的 "部署 (Deploy in production)" 與 &qu...
[Day 05] 部署模式 — 我的模型叫崔弟
常見部署情況 根據需求不同，有不一樣的部署模式，常見的情況如下： 提供新的產品/功能：常用的設計模式為先從少量的預測開始驗證，再慢慢增加流量 (trafic)...
[Day 06] 監控、維護 — 自己開一家徵信社吧!
大家好，在開始之前先祝大家中秋節快樂~~ 監控 (Monitor) 最常見的監控方法為儀表板 (Dashboard)，依照專案可選擇適當的監控指標，而監控指標的...
[Day 07] 使用 fastAPI 部署 YOLOv4 (1/2) — 以內建 Client 進行互動
前言 我們花了將近一周的時間來介紹部署深度學習模型背後的概念，我想大家應該很想知道究竟該怎麼實作，所以今天就來動動手吧。這部分的程式碼主要規劃為在本機端執行，所...
[Day 08] 使用 fastAPI 部署 YOLOv4 (2/2) — 自行撰寫 Client 進行互動
前言 昨天我們使用了 fastAPI 內建 client 的 UI 來與 API 互動，今天我們改為利用 Python 的 requests 函式庫編寫一個最簡...
[Day 09] 建立機器學習模型 — Andrew Ng 大神說要這樣做
AI system = Code (Algorithm/Model) + Data TL;DR 建立 ML 系統時，要把 AI system = Code ...
[Day 10] 模型達到商業指標的挑戰 — Test set performance 的殞落
Achieving low average tested error isn't good enough for a project. 前言 昨天談到大部分...