摘要

　　這篇文章將介紹這系列內容的撰寫背景與目的，並界定目標讀者，以幫助您判斷自己是否適合閱讀這系列文章，然後簡單概述整系列文章中可能出現的內容。最後，我也將提供這系列文章所參考的書籍，供需要深入了解細節的讀者參考。

為什麼我要寫這系列的文章呢？

在實際應用機器學習的過程中，模型的架構與訓練固然重要，但這僅僅是整個系統中的冰山一角。真正的挑戰在於如何持續有效地佈署、測試與更新模型，而 MLOps (Machine Learning Operations) 就是結合 ML 和 DevOps ，以實現機器學習系統的自動化為目標提出的一系列解決方案 ……

　　以上來自這次鐵人賽的參賽文章簡介，但這並不是我決定撰寫這系列文章的真正動機。參賽簡介裡提及的也是坊間書籍常會出現的話語，強調著「 MLOps 的重要性」，儘管會選擇閱讀這類書籍的我們也相信這個領域是重要的，然而閱讀時卻總是難以產生共鳴，只有在面試時被詢問了卻回答不出來的瞬間，才會感受到切身之痛。
　　為了讓自己過去累積的作品集能在面試時真正派上用場，而不是卡在詢問基本知識那一關，我決定透過這次鐵人賽的機會學習關於這個領域的知識，並將這個月的目標設定為「在尋求 ML 相關工作時，掌握能順利通過面試的 MLOps 基本概念」。
　　我想將學習過程撰寫成文章的理由有二。首先，我相信將知識言語化的過程，同時也是將知識內化的過程，這也是為什麼除了實作之外，我還希望將這知識轉化為文字；其次但也是最重要的一點，是因為從我踏入資訊工程這個領域以來，我受網路上的技術文章幫助良多，或許我的經驗對大多數的人而言微不足道，然而我相信只要能幫上一個人的忙，這次的分享就是值得的。

誰適合閱讀這系列文章？

　　這系列文章的目標對象是對機器學習有一定基礎的人，這裡的「一定基礎」指的是：

• 知道如何使用 conda 或 venv 等任何您慣用的工具來建立 Python 虛擬環境，或使用 Colab 來避免套件汙染環境的問題。
• 了解建立機器學習系統的完整流程，理解資料清洗、資料預處理、提取特徵值、向量化、訓練模型、預測等一系列操作的概念與目的，也知道如何使用 Python 來達成以上目標。
• 對於常見的模型有基本的了解。或許不太明瞭 RNN、CNN、LSTM 這些模型背後的演算法或數學原理，但是在聽到是機器學習裡的 CNN 時，知道指的是 Convolutional Neural Network 而不是 Cable News Network，知道它常用於分類問題而非迴歸。

　　如果對於前兩項還不甚了解，可以嘗試搜尋並嘗試實作上面的術語，累積一些經驗之後，再回來看這一系列文章。如果對於最後一項還不太了解，我強烈推薦臺大李弘毅老師的機器學習課程，看完課程並完成作業之後，一定能奠基足夠扎實的基礎。

這系列文章會包含哪些內容？

　　從第二段的文字中，您大概能預想到這系列的文章並不會從機器學習的基本概念開始，不會提及太多演算法，而是更著重於機器學習模型如何佈署、維護和最佳化等方面。
　　我們也不會討論模型該怎麼架構，不會討論怎麼更有效地重用訓練迴圈，不過，我們會討論一些常見的問題解決方案，就像我們在學校的軟體工程上學到的設計模式 (Design Patterns) ，我們將會一起學習的就是這類知識。例如，當我們正面臨數以萬計之多的分類特徵，One-hot 編碼顯然窒礙難行，那我們該如何在降低特徵維度與維持模型的準確性中折衷與權衡？
　　在這三十天的旅程中，我們將會一起討論在這些情境下，為什麼某些方案會被棄用，而選擇某些更實際的方案時我們將付出什麼代價，又將得到什麼成果。

參考資料

　　這系列文章的內容主要參考 Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps，目前也有繁體中文的翻譯書可以降低直接啃原文書的壓力。
　　最後，為了確保文字的流暢度，雖然並未引用 AI 生成的內容，這系列文章在完成撰寫後，都會交由 AI 進行修飾和潤色。