鐵人檔案
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。
背景與目標 到目前為止，我們已經： 建立了 User-based CF 與 Item-based TF-IDF 推薦模型。 用 MLflow 紀錄實驗與 ar...
背景與目標 在 Day 11，我們第一次把 Popular Top-10 baseline 註冊進了 MLflow Model Registry。 今天，我們要...
背景與目標 到目前為止，我們的 Notebook 裡有很多零散的程式碼： 載入資料 訓練模型（Popular Top-10、TF-IDF） 記錄到 MLflo...
背景與目標 在 Day 13，我們已經建立了 Pipeline，可以一鍵執行「載入資料 → 訓練 TF-IDF → 評估並記錄到 MLflow」。 不過，目前我...
背景與目標 到目前為止，我們已經有了不同模型： Popular Top-10 baseline TF-IDF 模型（Day 12–14 pipeline...
背景與目標 在 Day 15，我們統一了推薦輸出的格式，並存到 MLflow artifacts。今天我們來進行： 單一樣本解釋：看特定動畫的 genre/...
背景與目標 到目前為止，我們已經能在 MLflow 裡追蹤模型實驗結果。但如果要提供服務，僅用 run_id 方式不穩定（容易消失，無版本控制）。 👉 今天我們...
背景與目標 從 Day 11 開始，我們已經完成： Day 11：Popular Top-10 baseline 建立並註冊到 MLflow。 Day 1...
背景與目標 在 Day 11–18，我們的 PopularTop10 baseline 模型總是固定不變，無法體現「隨時間演化」。今天我們要： 修改 Pop...
背景與目標 過去 19 天，我們從 0 開始，一步步完成了： 環境建置（Docker + docker-compose） 資料準備與 EDA 建立 basel...
