-
手把手帶你實作完整機器學習專案
-
點閱：40
20人已收藏
- 作者： 徐歆閔(Min Hsu)著
- 出版社： 深智數位
- 出版年：2025
- ISBN：9786267757512
- EISBN：9786267757574 PDF
- 格式：PDF,JPG
- 頁數：334
租期14天
今日租書可閱讀至2025-12-19
用一本書走完AI專案的最後一哩路，打造專屬於你的機器學習服務
告別只能離線展示的模型，成為業界渴求的全方位AI人才！
★ 別讓模型只活在筆電裡！這本書教你打造成真正的產品！
★ 一本書搞定！從開發、部署到維運的完整實戰指南。
★ 全端AI應用，一次學會Docker、MLflow、Streamlit、FastAPI、BentoML。
★ 親手打造音樂推薦系統，讓你從做中學、馬上看見成果。
★ 不只給程式碼，更教你背後觀念，讓你不再盲目照抄。
【打好地基】搞懂MLOps核心觀念，不再紙上談兵
●完整生命週期：從商業需求到監控迭代，一次搞懂 AI 產品的五大核心階段。
●關鍵維運挑戰：深入了解資料漂移、模型老化，剖析模型上線後為何會「變笨」。
●版本控制核心：不只管程式碼，更要學會管理資料與模型，確保專案的可追溯性。
●迭代優化思維：掌握模型與資料導向策略，聰明提升模型表現，告別盲目調參。
【動手實戰】跟著做，親手打造全端AI應用
●音樂推薦系統：以真實資料為例，整合所有主流工具，讓你從做中學。
●高效實驗追蹤：導入DVC和MLflow管理資料、模型與參數，告別混亂的開發過程。
●現代化模型部署：採用BentoML將模型打包成產品，實現真正的線上服務。
●打造互動式前端：使用Streamlit開發視覺化介面，讓你的AI服務更好用。
【整合應用】將模型變為產品，創造真實價值
●建構完整架構：整合Docker、資料庫與FastAPI，打造穩定可靠的後端服務。
●API整合串接：將你的模型封裝成API，與其他應用程式順暢溝通。
●職涯技能升級：填補從「模型開發者」到「AI系統架構師」的關鍵知識缺口。
【本書適合】
●資料科學家：模型準確率很高，卻不知道如何部署上線，讓它真正發揮價值？
●軟體工程師：想踏入最熱門的AI領域，卻不知從何開始建構機器學習系統？
●機器學習工程師：厭倦了零散的知識，想尋求一套完整的MLOps實戰方法？
●技術主管與PM：需要規劃與評估AI專案，想精準掌握從開發到上線的每個環節？
●所有想踏入這個領域的人： 只要你想搞懂AI如何從無到有變成產品，這本書就是你的最佳起點！
想了解AI如何從無到有變成產品？別懷疑，這本書就是為你而寫！
★ 親手打造音樂推薦系統，讓你從做中學、馬上看見成果。
★ 不只給程式碼，更教你背後觀念，讓你不再盲目照抄。
【打好地基】搞懂MLOps核心觀念，不再紙上談兵
●完整生命週期：從商業需求到監控迭代，一次搞懂 AI 產品的五大核心階段。
●關鍵維運挑戰：深入了解資料漂移、模型老化，剖析模型上線後為何會「變笨」。
●版本控制核心：不只管程式碼，更要學會管理資料與模型，確保專案的可追溯性。
●迭代優化思維：掌握模型與資料導向策略，聰明提升模型表現，告別盲目調參。
【動手實戰】跟著做，親手打造全端AI應用
●音樂推薦系統：以真實資料為例，整合所有主流工具，讓你從做中學。
●高效實驗追蹤：導入DVC和MLflow管理資料、模型與參數，告別混亂的開發過程。
●現代化模型部署：採用BentoML將模型打包成產品，實現真正的線上服務。
●打造互動式前端：使用Streamlit開發視覺化介面，讓你的AI服務更好用。
【整合應用】將模型變為產品，創造真實價值
●建構完整架構：整合Docker、資料庫與FastAPI，打造穩定可靠的後端服務。
●API整合串接：將你的模型封裝成API，與其他應用程式順暢溝通。
●職涯技能升級：填補從「模型開發者」到「AI系統架構師」的關鍵知識缺口。
【本書適合】
●資料科學家：模型準確率很高，卻不知道如何部署上線，讓它真正發揮價值？
●軟體工程師：想踏入最熱門的AI領域，卻不知從何開始建構機器學習系統？
●機器學習工程師：厭倦了零散的知識，想尋求一套完整的MLOps實戰方法？
●技術主管與PM：需要規劃與評估AI專案，想精準掌握從開發到上線的每個環節？
●所有想踏入這個領域的人： 只要你想搞懂AI如何從無到有變成產品，這本書就是你的最佳起點！
想了解AI如何從無到有變成產品？別懷疑，這本書就是為你而寫！
- Chapter 1 機器學習專案的生命週期介紹(第1-1頁)
- 1.1 定義商業目標(第1-2頁)
- 1.2 蒐集和準備資料(第1-4頁)
- 1.3 模型開發與版本管理(第1-11頁)
- 1.4 模型部署與應用整合(第1-17頁)
- 1.5 監控與持續改進(第1-18頁)
- 1.6 模型導向迭代 vs. 資料導向迭代(第1-21頁)
- 1.7 實作專案：音樂搜尋和推薦系統(第1-25頁)
- Chapter 2 本地開發環境建立(第2-1頁)
- 2.1 開始專案前的必要工具準備(第2-2頁)
- 2.2 使用 uv 來管理 Python 環境與套件(第2-5頁)
- Chapter 3 在本地建立資料庫(第3-1頁)
- 3.1 專案環境建立(第3-2頁)
- 3.2 建立 PostgreSQL 資料庫(第3-2頁)
- 3.3 SQLModel：Python 的資料庫操作(第3-22頁)
- 3.4 向量資料庫和 Qdrant 的介紹(第3-32頁)
- 3.5 用 Python 連線至 Qdrant(第3-39頁)
- 3.6 把 PostgreSQL 和 Qdrant 合併成一個 Docker Compose(第3-45頁)
- Chapter 4 資料搜集、處理和管理(第4-1頁)
- 4.1 專案環境建立(第4-2頁)
- 4.2 下載跟處理 Million Song Dataset(第4-4頁)
- 4.3 下載跟處理 The Echo Nest Taste Profile Subset(第4-29頁)
- 4.4 Spotify 音樂資料表(第4-44頁)
- 4.5 DVC 的介紹(第4-54頁)
- Chapter 5 音樂搜尋和推薦演算法的介紹和實作(第5-1頁)
- 5.1 FastAPI 的基本用法介紹(第5-2頁)
- 5.2 FastAPI 後端專案建立——音樂搜尋系統(第5-12頁)
- Chapter 6 搜尋畫面的 UI 建立(第6-1頁)
- 6.1 Streamlit 的安裝方法(第6-2頁)
- 6.2 Streamlit 核心概念(第6-5頁)
- 6.3 範例實作：音樂推薦系統搜尋網頁(第6-19頁)
- Chapter 7 雲端環境建立(第7-1頁)
- 7.1 Render 的 PostgreSQL 資料庫部署(第7-2頁)
- 7.2 部署 FastAPI 服務到 Render(第7-9頁)
- 7.3 設定雲端的 Qdrant 向量資料庫(第7-15頁)
- 7.4 Streamlit Community Cloud(第7-21頁)
- Chapter 8 音樂分類模型的介紹和實作(第8-1頁)
- 8.1 MLflow 的介紹(第8-2頁)
- 8.2 實驗追蹤（MLflow Tracking）(第8-3頁)
- 8.3 MLflow Signature 與 Input Example 的介紹(第8-19頁)
- 8.4 使用 Docker 部署 MLflow Tracking Server、PostgreSQL 與 MinIO(第8-26頁)
- 8.5 模型封裝與版本管理（MLflow Models + MLflow Registry）(第8-37頁)
- Chapter 9 模型部署(第9-1頁)
- 9.1 將模型部署到 BentoML(第9-2頁)
- Chapter 10 其他應用案例與延伸專案(第10-1頁)
- 10.1 電商商品推薦系統(第10-2頁)
- 10.2 影視影片搜尋與推薦(第10-3頁)
- 10.3 健康與運動建議系統(第10-3頁)
- 10.4 金融交易風險偵測(第10-4頁)
- 10.5 客服問答系統(第10-5頁)
- 10.6 小結(第10-5頁)
紙本書 NT$ 760
單本電子書
NT$
532
點數租閱
20點
租期14天
今日租書可閱讀至2025-12-19
今日租書可閱讀至2025-12-19
