]]>6346實踐中的機器學習：在 Google 云平臺上部署 ML 模型
http://www.open-lab.net/zh-cn/blog/machine-learning-in-practice-deploy-an-ml-model-on-google-cloud-platform/
Mon, 13 Feb 2023 03:31:28 +0000http://www.open-lab.net/zh-cn/blog/?p=6292Continued]]>本系列介紹 開發和部署 ( M L ) 模型 。在本文中， 你將學習 如何部署 ML 模型到 Google 云平臺 . 第 1 部分給出了 ML 工作流概括 ，考慮了使用機器學習和數據科學來實現商業價值所涉及的各個階段。在第 2 部分中，您將學習 訓練并保存 ML 模型 并將其部署為 ML 系統的一部分。 在為 ML 系統構建端到端管道時，最后一步是將經過訓練的模型部署到生產環境中。成功的部署意味著 ML 模型已從研究環境中移出并集成到生產環境中，例如，作為一個實時應用程序。 在本文中，您將學習使用 Google 云平臺（ GCP ）將 ML 模型投入生產的三種方法。雖然您可以使用其他幾種環境，例如 AWS 、 Microsoft Azure 或本地硬件，但本教程使用 GCP 部署 web 服務。 通過您的 Google 帳戶注冊 Google Cloud…
]]>6292實踐中的機器學習：構建 ML 模型
http://www.open-lab.net/zh-cn/blog/machine-learning-in-practice-build-an-ml-model/
Mon, 13 Feb 2023 03:27:31 +0000http://www.open-lab.net/zh-cn/blog/?p=6290Continued]]>本系列介紹 開發和部署 ( M L ) 模型 。在這篇文章中，您 訓練并保存 ML 模型 ，因此它可以作為 ML 系統的一部分部署。 第 1 部分給出了一個 ML 工作流概括 ，考慮了使用機器學習和數據科學實現商業價值所涉及的各個階段。第 3 部分介紹 如何部署 ML 模型到 Google 云平臺 （ GCP ）。 培訓一個可以作為機器學習系統一部分的模型需要了解您的數據、業務目標以及許多其他技術和組織要求。 在本文中，您創建了一個 Python 腳本，當執行該腳本時，它訓練一個 ML 模型，然后將其保存以供將來使用。 首先，我強調了為應用程序訓練 ML 模型時的一些重要考慮事項。 從模型選擇到數據集的復雜性和大小，數據從業者必須戰略性地規劃資源和期望的需求。在培訓模型之前要考慮的因素包括： 您可以使用許多類 ML 模型來解決問題。
]]>6290實踐中的機器學習： ML 工作流
http://www.open-lab.net/zh-cn/blog/machine-learning-in-practice-ml-workflows/
Mon, 13 Feb 2023 03:16:38 +0000http://www.open-lab.net/zh-cn/blog/?p=6287Continued]]>本系列介紹 開發和部署 ( M L ) 模型 。本文概述了 ML 工作流，考慮到使用機器學習和數據科學來實現業務價值所涉及的各個階段。在第 2 部分中，訓練并保存 ML 模型 可以將其部署為 ML 系統的一部分。第 3 部分向您展示了 如何部署 ML 模型到 Google 云平臺 （ GCP ）。 當使用 machine learning 解決問題并提供業務價值時，您使用的技術、工具和模型會根據用例而變化。然而，當從一個想法轉移到一個已部署的模型時，需要經過一組通用的工作流階段。 之前，我討論過 如何搭建機器學習微服務 和 如何使用 Streamlit 和 FastAPI 構建即時機器學習 Web 應用程序 。在這兩個教程中， ML 模型僅在本地運行。這對于演示來說已經足夠了，但如果您的模型必須在互聯網上持續提供預測，則這是不切實際的。 ML 工作流包含以下主要組件：