Для всех, кто изучает науку о данных, важно практиковаться на реальных данных или проблемах, связанных с реальным миром. Такой опыт не только позволяет получить опыт, но также позволяет развить аналитическое мышление при попытке решить проблему, связанную с данными, с помощью машинного обучения. В этом блоге я расскажу о пайплайне проекта по науке о данных. Это поможет вам понять, как сформулировать любой проект при попытке решить бизнес-проблему. Мы будем решать проблему..

Kubeflow Pipelines позволяет создавать, развертывать и управлять сквозными рабочими процессами машинного обучения. Чтобы использовать пользовательский код в конвейере, вам необходимо поместить его в контейнер с помощью Docker. Это гарантирует, что ваш код будет легко развертываться, масштабироваться и управляться Kubernetes, базовой инфраструктурой для Kubeflow. В этом руководстве мы проведем вас через контейнеризацию вашего кода Python с помощью Docker и его интеграцию в конвейер..

Как специалист по данным, вы, вероятно, широко используете Блокноты Jupyter для выполнения задач рабочего процесса машинного обучения, таких как исследование данных, обработка данных и обучение, оценка и настройка моделей. Многие из этих задач выполняются непрерывно, требуя от вас запускать записные книжки снова и снова. Расширение Elyra ( https://github.com/elyra-ai/elyra ) JupyterLab недавно представило визуальный редактор конвейеров записной книжки, который можно использовать для..