在本章一開始，你會進行任何機器學習專案的基礎階段：設計一個端到端的機器學習情境、進行探索性資料分析，以及資料準備。讀完本章後，你將扎實掌握機器學習專案的早期流程，從構思情境到將資料整理好，為後續處理與模型訓練做好準備。

設計端到端機器學習應用案例

Machine learning 生命週期各階段定義

Machine Learning 生命週期

Machine learning 生命週期

Exploratory Data Analysis（探索性資料分析）

資料視覺化

找出類別不平衡

選項

EDA 的目標

非 EDA 的目標

資料準備

fillna()

drop_duplicates()

drop()

資料準備常用函式

補值函式

進階補值（Imputation）

清理你的資料集

設計與探索

本章將深入探討模型訓練與評估的關鍵流程。內容包含四個完整課程，重點涵蓋特徵工程、模型訓練、實驗記錄，以及模型評估等面向。

特徵工程與選擇

特徵工程：分類

正規化與標準化

特徵選擇

模型訓練

套用奧卡姆剃刀原則

模型類型

訓練一個模型

在 MLflow 紀錄實驗

排列 MLflow 的步驟

MLflow 功能

使用 MLflow 記錄與擷取資料

模型評估與視覺化

KFold 交叉驗證

混淆矩陣解讀

認識混淆矩陣

評估模型

模型訓練與評估

本章聚焦於模型部署這個在機器學習生命週期中至關重要的階段。從測試開始，接著介紹架構元件，特別著重於特徵儲存與模型登錄。之後，我們會進一步說明封裝與容器化。最後以持續整合與持續部署（CI/CD）概觀作結。

測試模型

為什麼要撰寫測試

撰寫單元測試

端到端機器學習框架中的架構元件

Feature store 與 model registry 的比較

為 Feature Store 定義特徵

使用 Feast 的特徵儲存

封裝與容器化

容器化步驟

使用 Docker 進行容器化

使用 Docker 進行推論

持續整合與持續部署（CI/CD）

CI/CD 原則

使用 AWS EB 部署模型

部署：把所有環節串起來

模型部署

在最後一章，你將學習模型監控的要點與細節，這是機器學習生命週期中的關鍵階段。

監控與視覺化

監控已部署的模型

視覺化已部署模型隨時間變化的輸出

資料漂移

偵測與修正資料偏移的技巧

使用 Kolmogorov-Smirnov 檢定偵測資料漂移

回饋循環、再訓練與標註

概念化回饋迴路

回饋循環的風險

回饋循環

提供模型服務

模型監控個案研究

總結

模型監控

Heart Disease Dataset

Heart Disease Cleaned

深入探索機器學習的世界，學會如何在這門完整的課程中設計、訓練並部署端到端模型。透過引人入勝的真實案例與動手練習，你將學會處理複雜的資料問題並建立強大的 ML 模型。完成本課程後，你會具備建立、監控與維護高效模型的能力，將洞見轉化為可採取行動的結果。

<h2>端對端機器學習入門</h2>
<p>深入探索機器學習的世界，透過本全面課程學習如何設計、訓練並部署端到端模型。 透過引人入勝的實際案例與動手練習，您將學會解決複雜的資料問題並建立強大的機器學習模型。 在本課程結束時，您將具備建立、監控及維護高效能模型的技能，協助您產出可付諸行動的洞見。 透過這門全面且實作導向的課程，提升您的機器學習專業能力，成為具備端到端技能的機器學習專家！</p>

<h2>評估並提升您的模型</h2>
<p>首先，您將學習探索性資料分析（EDA）和資料準備的基本要素——您將清理並預處理資料，確保其適合模型訓練。 接下來，深入掌握特徵工程與特徵選擇的技巧，讓您的模型能夠最佳化以應對實際挑戰；學習如何使用 Boruta 函式庫進行特徵選擇、利用 MLFlow 記錄實驗，並透過 k-fold 交叉驗證微調您的模型。 揭開有效誤差指標的祕密，學會診斷過度擬合，為您的模型成功奠定基礎。</p>

<h2>部署並監控您的模型</h2>
<p>您還將深入了解在端到端機器學習框架中，feature store 和 model registry 的重要性。 學習如何使用 Docker 和 AWS 部署並持續監控您的模型效能。 了解資料漂移的概念，以及如何利用統計檢定來偵測資料漂移。 實施回饋機制、重新訓練以及標註策略，以確保您的模型在面對不斷變化的資料時，仍能維持優異的效能。</p>

<p>本課程將為您提供實用技能，直接應用於資料科學家或機器學習工程師的職涯，讓您能夠設計、部署並維護模型；這些都是發揮機器學習解決方案商業影響力的關鍵能力。</p>

EDA 的目標

端到端機器學習

動手互動練習