| Chapter 1 機器學習專案的生命週期介紹 | 13 |
| 1.1 定義商業目標 | 14 |
| 1.2 蒐集和準備資料 | 16 |
| 1.3 模型開發與版本管理 | 23 |
| 1.4 模型部署與應用整合 | 29 |
| 1.5 監控與持續改進 | 30 |
| 1.6 模型導向迭代 vs. 資料導向迭代 | 33 |
| 1.7 實作專案：音樂搜尋和推薦系統 | 37 |
| Chapter 2 本地開發環境建立 | 41 |
| 2.1 開始專案前的必要工具準備 | 42 |
| 2.2 使用 uv 來管理 Python 環境與套件 | 45 |
| Chapter 3 在本地建立資料庫 | 55 |
| 3.1 專案環境建立 | 56 |
| 3.2 建立 PostgreSQL 資料庫 | 56 |
| 3.3 SQLModel：Python 的資料庫操作 | 76 |
| 3.4 向量資料庫和 Qdrant 的介紹 | 86 |
| 3.5 用 Python 連線至 Qdrant | 93 |
| 3.6 把 PostgreSQL 和 Qdrant 合併成一個 Docker Compose | 99 |
| Chapter 4 資料搜集、處理和管理 | 103 |
| 4.1 專案環境建立 | 104 |
| 4.2 下載跟處理 Million Song Dataset | 106 |
| 4.3 下載跟處理 The Echo Nest Taste Profile Subset | 131 |
| 4.4 Spotify 音樂資料表 | 146 |
| 4.5 DVC 的介紹 | 156 |
| Chapter 5 音樂搜尋和推薦演算法的介紹和實作 | 169 |
| 5.1 FastAPI 的基本用法介紹 | 170 |
| 5.2 FastAPI 後端專案建立——音樂搜尋系統 | 180 |
| Chapter 6 搜尋畫面的 UI 建立 | 219 |
| 6.1 Streamlit 的安裝方法 | 220 |
| 6.2 Streamlit 核心概念 | 223 |
| 6.3 範例實作：音樂推薦系統搜尋網頁 | 237 |
| Chapter 7 雲端環境建立 | 249 |
| 7.1 Render 的 PostgreSQL 資料庫部署 | 250 |
| 7.2 部署 FastAPI 服務到 Render | 257 |
| 7.3 設定雲端的 Qdrant 向量資料庫 | 263 |
| 7.4 Streamlit Community Cloud | 269 |
| Chapter 8 音樂分類模型的介紹和實作 | 271 |
| 8.1 MLflow 的介紹 | 272 |
| 8.2 實驗追蹤（MLflow Tracking） | 273 |
| 8.3 MLflow Signature 與 Input Example 的介紹 | 289 |
| 8.4 使用 Docker 部署 MLflow Tracking Server、PostgreSQL 與 MinIO | 296 |
| 8.5 模型封裝與版本管理（MLflow Models + MLflow Registry） | 307 |
| Chapter 9 模型部署 | 313 |
| 9.1 將模型部署到 BentoML | 314 |
| Chapter 10 其他應用案例與延伸專案 | 323 |
| 10.1 電商商品推薦系統 | 324 |
| 10.2 影視影片搜尋與推薦 | 325 |
| 10.3 健康與運動建議系統 | 325 |
| 10.4 金融交易風險偵測 | 326 |
| 10.5 客服問答系統 | 327 |
| 10.6 小結 | 327 |
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
