Chapter 1 機器學習專案的生命週期介紹
1.1 定義商業目標
1.2 蒐集和準備資料
1.2.1 數據版本控制（Data Versioning）
1.2.2 資料標記的一致性
1.2.3 不同資料類型的挑戰
1.2.4 資料管線（Data Pipeline）
1.2.5 數據測試（Data Testing）
1.2.6 資料漂移和概念漂移
1.3 模型開發與版本管理
1.3.1 建立模型的迭代過程
1.3.2 模型開發中的挑戰
1.4 模型部署與應用整合
1.4.1 軟體問題與部署考量
1.5 監控與持續改進
1.5.1 監控與維護系統
1.5.2 模型老化和重新訓練
1.6 模型導向迭代vs. 資料導向迭代
1.6.1 模型導向迭代
1.6.2 資料導向
1.6.3 如何選擇適合的策略呢？
1.7 實作專案：音樂搜尋和推薦系統

Chapter 2 本地開發環境建立
2.1 開始專案前的必要工具準備
2.1.1 安裝Python
2.1.2 安裝Git 和註冊GitHub 帳號
2.1.3 Docker
2.2 使用uv 來管理Python 環境與套件
2.2.1 uv：更快、更強大的Python 套件與環境管理工具

Chapter 3 在本地建立資料庫
3.1 專案環境建立
3.2 建立PostgreSQL 資料庫
3.2.1 docker-compose.yml 的介紹
3.2.2 用DBeaver 查看資料
3.3 SQLModel：Python 的資料庫操作
3.4 向量資料庫和Qdrant 的介紹
3.4.1 什麼是向量資料庫（Vector Database）？
3.4.2 Qdrant 的概念介紹
3.4.3 用Docker compose 建立Qdrant
3.5 用Python 連線至Qdrant
3.6 把PostgreSQL 和Qdrant 合併成一個Docker Compose

Chapter 4 資料搜集、處理和管理
4.1 專案環境建立
4.2 下載跟處理Million Song Dataset
4.2.1 前處理資料集
4.2.2 建立資料庫
4.3 下載跟處理The Echo Nest Taste Profile Subset
4.3.1 下載資料
4.3.2 寫入PostgreSQL Database 中
4.3.3 建立user-song matrix
4.3.4 存入Qdrant 向量資料庫中
4.4 Spotify 音樂資料表
4.4.1 讀取資料
4.4.2 資料前處理
4.5 DVC 的介紹
4.5.1 什麼是DVC？
4.5.2 DVC 的使用教學

Chapter 5 音樂搜尋和推薦演算法的介紹和實作
5.1 FastAPI 的基本用法介紹
5.1.1 FastAPI 的基本介紹
5.1.2 對資料進行CRUD 操作
5.1.3 專案架構
5.1.4 建立API
5.2 FastAPI 後端專案建立——音樂搜尋系統
5.2.1 專案環境建立
5.2.2 建立歌曲搜尋Mock API
5.2.3 用FastAPI 連接到PostgreSQL 資料庫
5.2.4 用FastAPI 連接到Qdrant 向量資料庫
5.2.5 小結

Chapter 6 搜尋畫面的UI 建立
6.1 Streamlit 的安裝方法
6.2 Streamlit 核心概念
6.2.1 基本介面
6.2.2 互動元件
6.2.3 版面佈局
6.3 範例實作：音樂推薦系統搜尋網頁
6.3.1 與後端FastAPI 溝通
6.3.2 設定頁面

Chapter 7 雲端環境建立
7.1 Render 的PostgreSQL 資料庫部署
7.1.1 Render 基礎設定
7.1.2 在Render 上建立PostgreSQL 資料庫
7.1.3 將本地資料搬遷到Render PostgreSQL
7.1.4 使用DBeaver 連線並驗證資料
7.2 部署FastAPI 服務到Render
7.3 設定雲端的Qdrant 向量資料庫
7.3.1 設定Qdrant Cloud
7.3.2 上傳資料到Qdrant Cloud
7.4 Streamlit Community Cloud

Chapter 8 音樂分類模型的介紹和實作
8.1 MLflow 的介紹
8.1.1 MLflow 的核心元件
8.2 實驗追蹤（MLflow Tracking）
8.2.1 MLflow Tracking 的概念
8.2.2 MLflow Tracking 的範例
8.2.3 啟動MLflow UI
8.3 MLflow Signature 與Input Example 的介紹
8.3.1 概念介紹
8.3.2 如何建立Model Signature 跟Input Example
8.4 使用Docker 部署MLflow Tracking Server、PostgreSQL 與MinIO
8.4.1 使用Docker 啟動MLflow Tracking 伺服器與UI
8.4.2 使用PostgreSQL 作為MLflow 後端儲存
8.4.3 使用MinIO 作為Artifact 儲存位置
8.5 模型封裝與版本管理（MLflow Models + MLflow Registry）
8.5.1 如何將模型註冊到Registry？
8.5.2 設定標籤（Tags）與別名（Aliases）

Chapter 9 模型部署
9.1 將模型部署到BentoML
9.1.1 從MLFlow 下載模型檔案
9.1.2 將模型部署到BentoML
9.1.3 建立BentoML FastAPI 服務

Chapter 10 其他應用案例與延伸專案
10.1 電商商品推薦系統
10.2 影視影片搜尋與推薦
10.3 健康與運動建議系統
10.4 金融交易風險偵測
10.5 客服問答系統
10.6 小結asnd Chapter 1 機器學習專案的生命週期介紹
1.1 定義商業目標
1.2 蒐集和準備資料
1.2.1 數據版本控制（Data Versioning）
1.2.2 資料標記的一致性
1.2.3 不同資料類型的挑戰
1.2.4 資料管線（Data Pipeline）
1.2.5 數據測試（Data Testing）
1.2.6 資料漂移和概念漂移
1.3 模型開發與版本管理
1.3.1 建立模型的迭代過程
1.3.2 模型開發中的挑戰
1.4 模型部署與應用整合
1.4.1 軟體問題與部署考量
1.5 監控與持續改進
1.5.1 監控與維護系統
1.5.2 模型老化和重新訓練
1.6 模型導向迭代vs. 資料導向迭代
1.6.1 模型導向迭代
1.6.2 資料導向
1.6.3 如何選擇適合的策略呢？
1.7 實作專案：音樂搜尋和推薦系統

Chapter 2 本地開發環境建立
2.1 開始專案前的必要工具準備
2.1.1 安裝Python
2.1.2 安裝Git 和註冊GitHub 帳號
2.1.3 Docker
2.2 使用uv 來管理Python 環境與套件
2.2.1 uv：更快、更強大的Python 套件與環境管理工具

Chapter 3 在本地建立資料庫
3.1 專案環境建立
3.2 建立PostgreSQL 資料庫
3.2.1 docker-compose.yml 的介紹
3.2.2 用DBeaver 查看資料
3.3 SQLModel：Python 的資料庫操作
3.4 向量資料庫和Qdrant 的介紹
3.4.1 什麼是向量資料庫（Vector Database）？
3.4.2 Qdrant 的概念介紹
3.4.3 用Docker compose 建立Qdrant
3.5 用Python 連線至Qdrant
3.6 把PostgreSQL 和Qdrant 合併成一個Docker Compose

Chapter 4 資料搜集、處理和管理
4.1 專案環境建立
4.2 下載跟處理Million Song Dataset
4.2.1 前處理資料集
4.2.2 建立資料庫
4.3 下載跟處理The Echo Nest Taste Profile Subset
4.3.1 下載資料
4.3.2 寫入PostgreSQL Database 中
4.3.3 建立user-song matrix
4.3.4 存入Qdrant 向量資料庫中
4.4 Spotify 音樂資料表
4.4.1 讀取資料
4.4.2 資料前處理
4.5 DVC 的介紹
4.5.1 什麼是DVC？
4.5.2 DVC 的使用教學

Chapter 5 音樂搜尋和推薦演算法的介紹和實作
5.1 FastAPI 的基本用法介紹
5.1.1 FastAPI 的基本介紹
5.1.2 對資料進行CRUD 操作
5.1.3 專案架構
5.1.4 建立API
5.2 FastAPI 後端專案建立——音樂搜尋系統
5.2.1 專案環境建立
5.2.2 建立歌曲搜尋Mock API
5.2.3 用FastAPI 連接到PostgreSQL 資料庫
5.2.4 用FastAPI 連接到Qdrant 向量資料庫
5.2.5 小結

Chapter 6 搜尋畫面的UI 建立
6.1 Streamlit 的安裝方法
6.2 Streamlit 核心概念
6.2.1 基本介面
6.2.2 互動元件
6.2.3 版面佈局
6.3 範例實作：音樂推薦系統搜尋網頁
6.3.1 與後端FastAPI 溝通
6.3.2 設定頁面

Chapter 7 雲端環境建立
7.1 Render 的PostgreSQL 資料庫部署
7.1.1 Render 基礎設定
7.1.2 在Render 上建立PostgreSQL 資料庫
7.1.3 將本地資料搬遷到Render PostgreSQL
7.1.4 使用DBeaver 連線並驗證資料
7.2 部署FastAPI 服務到Render
7.3 設定雲端的Qdrant 向量資料庫
7.3.1 設定Qdrant Cloud
7.3.2 上傳資料到Qdrant Cloud
7.4 Streamlit Community Cloud

Chapter 8 音樂分類模型的介紹和實作
8.1 MLflow 的介紹
8.1.1 MLflow 的核心元件
8.2 實驗追蹤（MLflow Tracking）
8.2.1 MLflow Tracking 的概念
8.2.2 MLflow Tracking 的範例
8.2.3 啟動MLflow UI
8.3 MLflow Signature 與Input Example 的介紹
8.3.1 概念介紹
8.3.2 如何建立Model Signature 跟Input Example
8.4 使用Docker 部署MLflow Tracking Server、PostgreSQL 與MinIO
8.4.1 使用Docker 啟動MLflow Tracking 伺服器與UI
8.4.2 使用PostgreSQL 作為MLflow 後端儲存
8.4.3 使用MinIO 作為Artifact 儲存位置
8.5 模型封裝與版本管理（MLflow Models + MLflow Registry）
8.5.1 如何將模型註冊到Registry？
8.5.2 設定標籤（Tags）與別名（Aliases）

Chapter 9 模型部署
9.1 將模型部署到BentoML
9.1.1 從MLFlow 下載模型檔案
9.1.2 將模型部署到BentoML
9.1.3 建立BentoML FastAPI 服務

Chapter 10 其他應用案例與延伸專案
10.1 電商商品推薦系統
10.2 影視影片搜尋與推薦
10.3 健康與運動建議系統
10.4 金融交易風險偵測
10.5 客服問答系統
10.6 小結askw Chapter 1 機器學習專案的生命週期介紹
1.1 定義商業目標
1.2 蒐集和準備資料
1.2.1 數據版本控制（Data Versioning）
1.2.2 資料標記的一致性
1.2.3 不同資料類型的挑戰
1.2.4 資料管線（Data Pipeline）
1.2.5 數據測試（Data Testing）
1.2.6 資料漂移和概念漂移
1.3 模型開發與版本管理
1.3.1 建立模型的迭代過程
1.3.2 模型開發中的挑戰
1.4 模型部署與應用整合
1.4.1 軟體問題與部署考量
1.5 監控與持續改進
1.5.1 監控與維護系統
1.5.2 模型老化和重新訓練
1.6 模型導向迭代vs. 資料導向迭代
1.6.1 模型導向迭代
1.6.2 資料導向
1.6.3 如何選擇適合的策略呢？
1.7 實作專案：音樂搜尋和推薦系統

Chapter 2 本地開發環境建立
2.1 開始專案前的必要工具準備
2.1.1 安裝Python
2.1.2 安裝Git 和註冊GitHub 帳號
2.1.3 Docker
2.2 使用uv 來管理Python 環境與套件
2.2.1 uv：更快、更強大的Python 套件與環境管理工具

Chapter 3 在本地建立資料庫
3.1 專案環境建立
3.2 建立PostgreSQL 資料庫
3.2.1 docker-compose.yml 的介紹
3.2.2 用DBeaver 查看資料
3.3 SQLModel：Python 的資料庫操作
3.4 向量資料庫和Qdrant 的介紹
3.4.1 什麼是向量資料庫（Vector Database）？
3.4.2 Qdrant 的概念介紹
3.4.3 用Docker compose 建立Qdrant
3.5 用Python 連線至Qdrant
3.6 把PostgreSQL 和Qdrant 合併成一個Docker Compose

Chapter 4 資料搜集、處理和管理
4.1 專案環境建立
4.2 下載跟處理Million Song Dataset
4.2.1 前處理資料集
4.2.2 建立資料庫
4.3 下載跟處理The Echo Nest Taste Profile Subset
4.3.1 下載資料
4.3.2 寫入PostgreSQL Database 中
4.3.3 建立user-song matrix
4.3.4 存入Qdrant 向量資料庫中
4.4 Spotify 音樂資料表
4.4.1 讀取資料
4.4.2 資料前處理
4.5 DVC 的介紹
4.5.1 什麼是DVC？
4.5.2 DVC 的使用教學

Chapter 5 音樂搜尋和推薦演算法的介紹和實作
5.1 FastAPI 的基本用法介紹
5.1.1 FastAPI 的基本介紹
5.1.2 對資料進行CRUD 操作
5.1.3 專案架構
5.1.4 建立API
5.2 FastAPI 後端專案建立——音樂搜尋系統
5.2.1 專案環境建立
5.2.2 建立歌曲搜尋Mock API
5.2.3 用FastAPI 連接到PostgreSQL 資料庫
5.2.4 用FastAPI 連接到Qdrant 向量資料庫
5.2.5 小結

Chapter 6 搜尋畫面的UI 建立
6.1 Streamlit 的安裝方法
6.2 Streamlit 核心概念
6.2.1 基本介面
6.2.2 互動元件
6.2.3 版面佈局
6.3 範例實作：音樂推薦系統搜尋網頁
6.3.1 與後端FastAPI 溝通
6.3.2 設定頁面

Chapter 7 雲端環境建立
7.1 Render 的PostgreSQL 資料庫部署
7.1.1 Render 基礎設定
7.1.2 在Render 上建立PostgreSQL 資料庫
7.1.3 將本地資料搬遷到Render PostgreSQL
7.1.4 使用DBeaver 連線並驗證資料
7.2 部署FastAPI 服務到Render
7.3 設定雲端的Qdrant 向量資料庫
7.3.1 設定Qdrant Cloud
7.3.2 上傳資料到Qdrant Cloud
7.4 Streamlit Community Cloud

Chapter 8 音樂分類模型的介紹和實作
8.1 MLflow 的介紹
8.1.1 MLflow 的核心元件
8.2 實驗追蹤（MLflow Tracking）
8.2.1 MLflow Tracking 的概念
8.2.2 MLflow Tracking 的範例
8.2.3 啟動MLflow UI
8.3 MLflow Signature 與Input Example 的介紹
8.3.1 概念介紹
8.3.2 如何建立Model Signature 跟Input Example
8.4 使用Docker 部署MLflow Tracking Server、PostgreSQL 與MinIO
8.4.1 使用Docker 啟動MLflow Tracking 伺服器與UI
8.4.2 使用PostgreSQL 作為MLflow 後端儲存
8.4.3 使用MinIO 作為Artifact 儲存位置
8.5 模型封裝與版本管理（MLflow Models + MLflow Registry）
8.5.1 如何將模型註冊到Registry？
8.5.2 設定標籤（Tags）與別名（Aliases）

Chapter 9 模型部署
9.1 將模型部署到BentoML
9.1.1 從MLFlow 下載模型檔案
9.1.2 將模型部署到BentoML
9.1.3 建立BentoML FastAPI 服務

Chapter 10 其他應用案例與延伸專案
10.1 電商商品推薦系統
10.2 影視影片搜尋與推薦
10.3 健康與運動建議系統
10.4 金融交易風險偵測
10.5 客服問答系統
10.6 小結