尾声如何实现机器学习中的知识迁移及持续性的学习｜code_0.py

零基础学机器学习 2021-12-24 12:10:51

代码：尾声如何实现机器学习中的知识迁移及持续性的学习｜code_0.py

...全文

86 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

为了实现环境的可复现部署，Conda 支持通过文件声明整个环境的依赖结构。该 YAML 文件可在 Git 中版本化管理，便于团队协作和 CI/CD 自动化。生成当前环境的配置文件：典型输出内容如下：channels:- defaults- pip- pip:字段说明name: 环境名称；channels: 所用渠道，确保重建时一致；: 明确列出所有 Conda 可管理的包；子节：声明通过 pip 安装的包，保持混合依赖完整性；prefix。

MLOps 是一种系统化的方法，用于构建、部署和监控机器学习（ML）解决方案。它是一种可以应用于各个行业和用例的工程学科。本书通过结合现实世界案例，提供了对 MLOps 的全面见解，帮助你编写程序、训练健壮且可扩展的机器学习模型，并构建机器学习管道，以安全地在生产中训练和部署模型。你将从熟悉 MLOps 工作流程开始，并开始编写训练机器学习模型的程序。然后，你将探索训练后序列化和打包机器学习模型以在生产中部署并促进机器学习推理的选项。接下来，你将学习如何使用可解释的监控框架监控机器学习模型和系统性能。

朱利安·特朗瑟在Unsplash拍摄的照片经过七年紧张而专注的研究工作，今年我将在应用生物科学和生物工程领域做出技术贡献。我与一群杰出的微生物学家、生物学家和生物信息学科学家合作，我的工程贡献是设计和实现高性能机器学习分类算法，以了解结直肠癌耐药机制和致癌作用。回顾过去，我欢迎研究机器学习(ML)和人工智能(AI)领域的挑战，这些领域当时对我来说只是时髦词汇。然而，除了熟悉 ML 和 AI 之外，这个故事的尾声是我在生物信息学领域成功完成了计算机科学与工程的博士学习。

原文：TowardsDataScience 协议：CC BY-NC-SA 4.0 机器学习中的 21 种特征重要性方法和包指南（附代码）原文：towardsdatascience.com/a-guide-to-21-feature-importance-methods-and-packages-in-machine-learning-with-code-85a841f8b319 从 OmniXAI、Shapash 和 Dalex 解释性包到 Boruta、Relief 和随机森林特征选择算法 T

大约 15 个月前，我发现了在线机器学习。从那时起，这是一个启示，我一直在努力分享我的观点。为此，我开始编写一个名为creme的 Python 库。名字来源于增量学习，是在线学习的代名词。接下来，我的一些朋友加入了我的行列:(他目前正在为 scikit-learn 工作)和。我们最近发布了 0.5 版本，并开始看到它被一些公司用于概念验证。creme 是一个通用库，因此涵盖了机器学习的许多领域，包括特征提取和模型选择。

《零基础学机器学习》

5

社区成员

359

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章