系列文章
Day 01｜專案介紹、資料集與本地環境（Docker）就位
歡迎來到 「 從0開始的MLFLOW應用搭建 」。Hi 各位我是Josh，也是一名資料工作者，期待透過這次的分享把MLFLOW的知識內容整理起來與各位大大分享，...
Day 02｜MLflow 架構與 Tracking／Registry 實作
背景與目標（為什麼要做） 訓練模型的時候就像是做了一次次的實驗，如果沒有好好做每次訓練的實驗記錄，當我們發現優秀的模型，想要再進一步重現與改進，將會非常困擾，因...
Day 03 – 從 Kaggle 抓動畫資料
背景與目標 為了訓練動畫推薦系統，我們需要可靠的資料來源。本專案選擇使用 Kaggle 上的 Anime Recommendation Database 當作參...
Day 04 – 自動化 EDA + 資料清理
🎯 背景與目標說明 昨天（Day 3），我們已經成功從 Kaggle 抓下 Anime Recommendations Database 的兩個主要檔案：...
Day 05 – 建立 Baseline 推薦模型（User-based Collaborative Filtering )
🎯 背景與目標說明 昨天（Day 4），我們完成了資料清理並存成 anime_clean.csv 與 ratings_clean.csv。今天，我們要建立第一個...
Day 06 – 建立 Item-based 推薦模型（TF-IDF）
🎯 背景與目標說明 昨天（Day 5），我們建立了 User-based Collaborative Filtering (協同過濾)，並用 Precision...
Day 07 – 將推薦結果存為 MLflow Artifact
🎯 背景與目標說明 到目前為止： Day 5：建立了 User-based CF baseline，並計算 Precision@10 / Recall@10...
Day 08 – 比較模型並記錄差異
🎯 背景與目標說明 到目前為止，我們已經建立了兩種 baseline 模型： Day 5：User-based Collaborative Filterin...
Day 09 – 模型比較報告：數字 + 推薦清單
🎯 背景與目標說明 昨天（Day 8），我們已經比較了 User-based CF (KNN) 和 Item-based TF-IDF 兩個 baseline...
Day 10 – MLflow Projects：封裝與本地環境執行
🎯 背景與目標說明 前 9 天，我們的 baseline 模型（User-based CF、Item-based TF-IDF）都是在 Notebook 裡執行...