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。
歡迎來到 「 從0開始的MLFLOW應用搭建 」。Hi 各位我是Josh,也是一名資料工作者,期待透過這次的分享把MLFLOW的知識內容整理起來與各位大大分享,...
背景與目標(為什麼要做) 訓練模型的時候就像是做了一次次的實驗,如果沒有好好做每次訓練的實驗記錄,當我們發現優秀的模型,想要再進一步重現與改進,將會非常困擾,因...
背景與目標 為了訓練動畫推薦系統,我們需要可靠的資料來源。本專案選擇使用 Kaggle 上的 Anime Recommendation Database 當作參...
🎯 背景與目標說明 昨天(Day 3),我們已經成功從 Kaggle 抓下 Anime Recommendations Database 的兩個主要檔案:...
🎯 背景與目標說明 昨天(Day 4),我們完成了資料清理並存成 anime_clean.csv 與 ratings_clean.csv。今天,我們要建立第一個...
🎯 背景與目標說明 昨天(Day 5),我們建立了 User-based Collaborative Filtering (協同過濾),並用 Precision...
🎯 背景與目標說明 到目前為止: Day 5:建立了 User-based CF baseline,並計算 Precision@10 / Recall@10...
🎯 背景與目標說明 到目前為止,我們已經建立了兩種 baseline 模型: Day 5:User-based Collaborative Filterin...
🎯 背景與目標說明 昨天(Day 8),我們已經比較了 User-based CF (KNN) 和 Item-based TF-IDF 兩個 baseline...
🎯 背景與目標說明 前 9 天,我們的 baseline 模型(User-based CF、Item-based TF-IDF)都是在 Notebook 裡執行...