HOLAAAA🙌

В этом блоге я собираюсь создать модель машинного обучения в контейнере докера для прогнозирования заработной платы человека в зависимости от его многолетнего опыта.

Дайте нам сначала знать, что такое машинное обучение и докер:

Машинное обучение

Область обучения, которая дает компьютерам возможность учиться без явного программирования, называется машинным обучением. Машинное обучение - это программа, которая учится на прошлом опыте (E) в отношении некоторых задач (T) и показателя производительности (P), если производительность задач в T, измеренная P, улучшается с опытом.

Докер

Docker - это инструмент, упрощающий создание, развертывание и запуск приложений с использованием контейнеров. Контейнеры позволяют разработчику упаковать приложение со всеми необходимыми ему частями, такими как библиотеки и другие зависимости, и развернуть его как один пакет.

Используемые технологии

👉Пайтон

👉Докер

👉Linux

Начнем !!!! 🤩

Шаг 1

Вытяните образ докера centos с помощью docker pull centos: 8, как показано на рис. 1.
Убедитесь, что у вас активное соединение.

Шаг 2:

Теперь запустите контейнер докеров, используя
docker run -it - name ‹name_of_container› centos: 8

Шаг 3:

Чтобы узнать, какой контейнер активен, откройте новый терминал и используйте команду docker ps для проверки. Здесь отображается имя контейнера, имя изображения и статус.

Шаг 4:

Теперь нам нужно импортировать набор данных и модель в контейнер, чтобы сделать это, сначала убедитесь, что у вас есть эти файлы в вашем файловом менеджере в Linux, и перейдите в соответствующий каталог.
Для копирования используйте команду docker cp SalaryData.csv ML: /SalaryData.csv, где ML - имя контейнера.

Шаг 5:

Для установки Python используйте yum install python3.
Убедитесь, что yum настроен на вашем устройстве.

Шаг 6:

Установите numpy, pandas, scikit-learn с помощью команды установки pip3

Шаг 7:

создать файл Python для редактирования с помощью vi salary_pred.py

Шаг 8:

Нажмите i, чтобы отредактировать файл, и введите следующий код, в котором мы вызываем модель и прогнозируем результат.

Шаг 9:

Запустите код с помощью команды python3

Вот мой репозиторий GitHub



Свяжитесь со мной в LinkedIn по любым вопросам:



Спасибо !! 😊