AI & Data
這個系統主要的目的以用建立一個自已的 AI 學習工具人，來理解整個 AI Application 開發，與目前整個 AI 發展體系 ~
DevOps
在 2020 年第十二屆鐵人賽中，我以「用 GitLab CI 玩轉自動化測試與佈署」為題，分享了當時 GitLab 13.x 版本下的 CI 實戰心得，內容涵蓋從入門基礎到進階應用的完整紀錄。轉眼五年過去，GitLab 已演進至 18.x，歷經多次重大更新，不僅語法與功能更加成熟，也在雲端整合與安全性甚至是 AI 整合上有明顯的提升。這次的系列文章「GitLab CI 2025：深入玩轉流水線與實戰紀錄」，將延續當年的精神，但聚焦在期間的變化，與一些實務上遇到的難題紀錄，希望可以帶你一同探索 GitLab CI 在 2025 年各種可能性。
生成式 AI
我想在這30天內學習並介紹生成式AI，從認識、介紹相關工具、實作、應用案例到未來可能的趨勢為主題進行這次的鐵人賽。
Security
在30天內以kali linux的工具及技術挑戰picoCTF的題目，完成一題後詳細介紹每題的思路、操作步驟與工具使用。
自我挑戰組
本次鐵人賽挑戰 30 天使用 Python 搭配政府公開資料，一步步完成由淺入深的資料分析與視覺化圖表。整個系列將以 macOS + VS Code 為主要開發環境，適合想學 Python 資料分析的新手，或是想利用開放資料做專案練習的朋友。 在這 30 天裡，我會挑選 4–5 個具有代表性的台灣政府開放資料集，規劃上，第一週會先介紹環境安裝與工具準備，讓完全沒有基礎的讀者也能跟上；之後每個資料集會分成「資料介紹、下載方式、實作分析、圖表繪製」幾個階段，難度會逐步提升。 希望透過這個挑戰，讓大家看到資料分析並不遙遠，只要有興趣，就能利用身邊的公開資料，做出有趣又有價值的分析！
佛心分享-SideProject30
工作要發 MR 通知同事時，我常常因為貼到錯誤的連結，或是想訊息內容要寫什麼而困擾不已。這些小小的問題雖然不起眼，卻讓工作節奏大打折扣。 為了解決這個痛點，我決定開發一個 Chrome Extension，讓我能在 Merge Request 頁面自動產生通知範本文字，並一鍵複製到剪貼簿，提升發 MR 文字的準確度，也加快速度。 這個系列將記錄我從零開始研究與開發的過程： ‧從 Chrome Extension 架構 入門 ‧學習 content script 與 clipboard API ‧實作 MR 通知文字產生與複製功能
AI & Data
使用MLFlow從零開始建置模型應用的完善流程。讓模型訓練不只能做出模型，還要可追蹤還原、可比較、可部署、可被前端使用。 透過本次30天的文章歸納，一起來學會如何用Docker建置MLflow + FastAPI + Streamlit，並且實現完整ML生命週期。
