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

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;