系列文章
Day 21 – FastAPI 安裝與架構概覽
🎯 目標 今天的重點是： 認識 FastAPI 的運作架構。 在現有 Docker 專案中新增 FastAPI 服務。 建立第一個 /health 測試端點。...
Day 22 – 建立推薦 API /recommend
🎯 今日目標 今天我們要讓 FastAPI 真的能提供推薦結果。這意味著： 從 MLflow Model Registry（Staging） 載入模型。 建立...
Day 23 – 建立記錄 API /log-ab-event
🎯 今日目標 建立一個 /log-ab-event API，用來紀錄使用者行為事件（例如「使用者點擊了推薦的動畫」）。 資料會寫入 workspace/log...
Day 24 – 使用 Postman 測試 FastAPI 與錯誤處理設計
🎯 目標 使用 Postman 測試 /recommend 和 /log-ab-event 兩個端點。 為 API 加上 輸入驗證、錯誤處理 (Error H...
Day 25 – 建立第二個模型並實作 A/B 測試分流機制
🎯 今日目標 在 MLflow Registry 中註冊一個新模型 AnimeRecsysTFIDF。 修改 FastAPI 程式碼，使 /recommend...
Day 26 – 用 Streamlit 打造動畫推薦系統介面
🎯 本日目標 今天，我們要讓整個推薦系統從後端 API，正式長出一個「可互動的前端」！ 透過 Streamlit，我們將實作一個簡潔、即時互動的 UI，使用者可...
Day 27 – 建立 A/B Test 資料收集機制
🎯 本日目標 今天，我們要讓推薦系統不只「提供推薦」，而是開始能蒐集使用者互動資料，為後續的 A/B Test 分析 做準備。 當使用者在 Streamlit...
Day 28 – 建立 AB Test 結果分析頁
🎯 本日目標 今天，我們要讓推薦系統不只會記錄點擊事件，還能分析模型在真實互動下的表現差異。 透過 Streamlit 的多頁功能，我們將新增一個「📊 AB T...
Day 29 – 雙模型比較與真隨機分流
🎯 本日目標 今天，我們將讓推薦系統的 A/B 測試更貼近實際產品：除了雙模型比較與隨機分流外，還要讓 CTR 不再永遠是 100%，能真實反映使用者行為。 透...
Day 30 – 專案總結與未來展望 — 從快速原型到系統化推薦架構
🎯 本日目標 經過 30 天的學習，我們從「零」開始，一步步完成了一個能被追蹤、能部署、能互動的 企業級推薦系統原型。 今天，我們要回顧整個旅程，並談談未來的發...