前言

兩年前我也曾經參加過 iThome 舉辦的鐵人賽（當時的系列文：那些在科技公司和 app 背後的資料科學），當時的我才剛畢業，甫入職場，對機器學習專案的想像很扁平。在學生時期，以為只要搜集好資料、訓練好模型，整個機器學習專案就算結束，當時的系列文也只著重於探討模型演算法本身。

不過，在經過兩年的職場洗禮後，我才深刻體認到（machine learning，ML）專案其實包含相當繁複的步驟，不僅僅是訓練模型而已。因此，在今年的鐵人賽中，我決定好好探討一個完整 ML 專案會經歷的所有步驟，同時一樣借力於科技巨頭的經驗，介紹他們在每個步驟的實作方法，正所謂站在巨人的肩膀上才能看的更遠。

本次系列文的內容介紹

首先，我們會先探討機器學習系統中容易被忽略的技術債問題，接著介紹 Andrew Ng 認為一個完整的機器學習專案應該包含的五個步驟。最後，我們會介紹一些實際在業界處理這五個步驟的方法，踩著別人的肩膀才能看得更遠！

大綱

ML 系統的技術債 (Technical Debt)

• [Day 2] ML 系統中容易被忽略的技術債（Technical Debt）問題

ML Project Lifecycle Overview

• [Day 3] ML Project Lifecycle 的五個步驟 + Netflix 的 Match Cutting 案例說明
• [Day 4] Step 1. 定義商業指標（Define the business goal）
• [Day 5] Step 2. 蒐集和準備資料（Collect and Prepare Data）
• [Day 6] Step 3. 建立模型（Build the Model）
• [Day 7] Step 4. 將模型整合到應用程式中（Integrate with Application）
• [Day 8] Step 5. 監控模型表現（Monitor Impact）

科技公司在每個步驟的實際案例

Step 2. 蒐集和準備資料（Collect and Prepare Data）

• Data Ingestion & Data Platforms
• Search Data

Step 3. 建立模型（Build the Model）

• ML Platforms

Step 4. 將模型整合到應用程式中（Integrate with Application）

• 敬請期待！

Step 5. 監控模型表現（Monitor Impact）

• 敬請期待！

那我們就開始 30 天的旅程吧！

謝謝讀到最後的你，如果喜歡這系列，別忘了按下喜歡和訂閱，才不會錯過最新更新。
如果有任何問題想跟我聊聊，或是想看我分享的其他內容，也歡迎到我的 Instagram（@data.scientist.min） 逛逛！
我們明天見！