没有合适的资源?快使用搜索试试~ 我知道了~
ml-in-production:使用Apache Airflow如何使机器学习管道更强大和更可靠的实际用例
共22个文件
py:6个
public:2个
makefile:2个
需积分: 10 3 下载量 38 浏览量
2021-05-02
19:53:03
上传
评论
收藏 117KB ZIP 举报
温馨提示
使用Apache Airflow在生产中进行机器学习 使用机器学习构建解决方案本身就是一项复杂的任务。 虽然学术机器学习起源于1980年代的研究,但机器学习系统在生产中的实际实施仍然相对较新。 该项目是如何改善任何机器学习项目的两个部分(数据验证和模型评估)的示例。 目的是分享实用的想法,您可以在项目中相对简单地介绍这些想法,但仍能获得巨大的收益。 数据验证是确保数据存在,正确和有意义的过程。 通过自动验证检查确保数据质量是在任何组织中建立数据管道的关键步骤。 成功验证给定新数据的模型后,将进行模型验证。 在将模型推广到生产之前,我们会对其进行评估和验证。 理想情况下,离线模型验证步骤应包括在内。 您可以的阅读更多详细信息。 安装 该项目已被docker化,您有两种选择来运行它: make pull 将从Docker Hub中提取; make build -您还可以自己构建;
资源推荐
资源详情
资源评论
收起资源包目录
ml-in-production-master.zip (22个子文件)
ml-in-production-master
.gitignore 192B
README.md 2KB
docker-compose.yml 947B
config.env.public 647B
LICENSE 1KB
makefile 696B
dags
ml_project
dag_ml_project.py 3KB
models
.gitkeep 0B
__init__.py 0B
scripts
trainig.py 3KB
__init__.py 0B
evaluation.py 2KB
docker
Dockerfile 743B
.bash_history
.gitkeep 0B
configs
.bashrc 257B
scripts
makefile 314B
sql
tables.sql 413B
init_resources.py 4KB
config.ini.public 112B
entrypoint.sh 145B
requirements.txt 2KB
images
ml_pipeline.png 115KB
共 22 条
- 1
资源评论
星见勇气
- 粉丝: 22
- 资源: 4737
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功