終於又完成一次鐵人賽啦！
回顧一下這 30 天的內容，我們先介紹 ML 專案生命週期的五大步驟，以及每個步驟需要注意的細節：

• Step 1. 定義商業指標（Define the business goal）
• Step 2. 蒐集和準備資料（Collect and Prepare Data）
• Step 3. 建立模型（Build the Model）
• Step 4. 將模型整合到應用程式中（Integrate with Application）
• Step 5. 監控模型表現（Monitor Impact）

接著，本系列文參考了一些科技公司在每個步驟中的實作經歷，看一下他們的舊系統是如何建置、有什麼問題，新系統又是如何改善的，也看了他們失敗以及成功的經驗，讓我們在認識理論之餘，也能夠向成功的科技公司學習。同時，除了理論內容，這次系列文也介紹一下 ML 專案實作中會用到的工具，雖然沒有從頭到晚教大家如何寫出一個 ML 專案，但是從頭到尾的工具都有介紹到了，期待大家之後自己試試看，或是也許我之後會再分享實作內容。

回顧一開始參加鐵人賽設定的目標，除了實作各種有趣的模型之外，我希望自己能夠更加認識完整的 ML 專案，有能力獨立設計一整套系統。我覺得經過這三十天的整理，的確有達成這個目標了！希望這些對大家也有幫助！

鐵人賽之後呢？延伸閱讀

分享幾個我覺得整理的很好的內容，如果大家有興趣繼續鑽研，可以參考以下內容：

我前面幾天介紹 ML 專案的生命週期，主要都是參考這個課程：

• https://www.deeplearning.ai/courses/machine-learning-in-production/
• https://github.com/https-deeplearning-ai/machine-learning-engineering-for-production-public.git

這幾個 repo 整理了 MLOps 的工具：

• https://github.com/microsoft/MLOps
• https://github.com/GokuMohandas/mlops-course
• https://github.com/visenger/awesome-mlops
• https://github.com/graviraja/MLOps-Basics?tab=readme-ov-file

ByteByteGo 的書，最近有出中文譯本

• 內行人才知道的機器學習系統設計面試指南

O'Reilly 的 ML System Design 的書

• Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications

以上是我目前蒐集到的內容，如果大家有任何推薦的資源，也歡迎留言分享給大家哦！

最後，感謝閱讀到這邊的你，那鐵人賽就下台一鞠躬啦！
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！