文件名称：可操作化的ML模型
文件大小：2.11MB
文件格式：ZIP
更新时间：2024-03-03 00:33:17
JupyterNotebook
注意：此文件是一个模板，可用于为您的项目创建自述文件。 下面的TODO注释将突出显示您应确保包含的信息。 可操作的机器学习模型 总览 该项目是Udacity Azure ML Nanodegree的一部分。 在此项目中，我们通过在Azure ML的终结点部分的“模型”窗格下的“消费”选项卡中提供URI和密钥来部署模型，配置日志记录并使用其终结点。 然后将该模型与相同步骤的Azure ML SDK实现进行比较。 建筑图 待办事项：提供项目的架构图并介绍每个步骤。 架构图是一幅有助于从头到尾可视化操作流程的图像。 在这种情况下，它必须与已完成的项目相关，其各个阶段对于整个流程至关重要。 例如，模型管理的一个阶段可以是“使用自动ML确定最佳模型”。 关键步骤 1-上载要在实验中使用的数据集： 2-从“ Azure AutomationML”部分创建并运行一个AutoML运行，完成后，选择最佳模
【文件预览】：
OperationalizingMLModel-master
----logs.py(438B)
----swagger.sh(435B)
----BestModel.png(174KB)
----endpoint.py(2KB)
----CreatedAutoMLRun.png(140KB)
----Exercise_starter_files()
--------logs.py(380B)
--------endpoint.py(1KB)
--------aml-exercise-pipelines-with-automated-machine-learning-step.ipynb(18KB)
--------bike-no.csv(52KB)
--------README.md(1B)
--------benchmark.sh(2KB)
--------Swagger()
----starter_files()
--------logs.py(380B)
--------swagger()
--------endpoint.py(2KB)
--------bankmarketing_train.csv(3.93MB)
--------aml-pipelines-with-automated-machine-learning-step.ipynb(20KB)
--------README.md(1KB)
--------benchmark.sh(2KB)
----RunnedLogScript.png(142KB)
----bankmarketing_train.csv(3.93MB)
----AdditionalConfigFroMLExperiment.png(155KB)
----ArchitecturalDiagram.png(78KB)
----BankMarketingDataset.png(138KB)
----EnabledAppInsights.png(166KB)
----aml-pipelines-with-automated-machine-learning-step.ipynb(20KB)
----CompletedExperiment.png(153KB)
----README.md(2KB)
----CreatingNewCluster&AutoMl.png(141KB)
----Project 2_Architectural Diagram.drawio(18KB)
----serve.py(1KB)
----config.json(161B)
----benchmark.sh(2KB)