Deploying-a-Scalable-ML-Pipeline-in-Production

时间:2024-08-24 00:52:55
【文件属性】:

文件名称:Deploying-a-Scalable-ML-Pipeline-in-Production

文件大小:9.02MB

文件格式:ZIP

更新时间:2024-08-24 00:52:55

HTML

在生产中部署可扩展的 ML 管道 概述 我开发了一个 CI/CD 管道来根据公开的人口普查局数据预测工资范围。 我创建了测试来监控机器学习管道。 然后,我使用 FastAPI 包部署了模型并创建了 API 测试。 使用 GitHub Actions 将测试合并到 CI/CD 框架中。 依赖关系 如果您还没有 conda,请下载并安装它。 使用提供的需求文件创建新环境,或 conda create -n [envname] "python=3.8" scikit-learn dvc pandas numpy pytest jupyter jupyterlab fastapi uvicorn -c conda-forge 通过 conda(“conda install git”)或通过 CLI 安装 git,例如 sudo apt-get git。 初始化 Git 和 DVC。 不断提


【文件预览】:
Deploying-a-Scalable-ML-Pipeline-in-Production-main
----setup.py(135B)
----.gitignore(6B)
----results()
--------images()
--------.DS_Store(6KB)
--------eda()
----requirements.txt(184B)
----model_card_template.md(248B)
----src()
--------conftest.py(341B)
--------train_model.py(2KB)
--------__init__.py(0B)
--------ml()
--------.DS_Store(6KB)
--------test_train_model.py(4KB)
--------constants.py(588B)
----data.dvc(92B)
----models()
--------.gitignore(1B)
--------rfc_model.pkl(34.74MB)
----LICENSE(1KB)
----.DS_Store(6KB)
----screenshots()
--------.gitignore(1B)
----.github()
--------.DS_Store(6KB)
--------workflows()
----commands.sh(646B)
----README.md(3KB)
----Aptfile(78B)
----.dvcignore(139B)
----Procfile(57B)
----test_main.py(8KB)
----main.py(9KB)
----.gitattributes(66B)
----logs()
--------app.log(8KB)
--------train_model.log(17KB)
----.dvc()
--------.gitignore(26B)
--------config(173B)
--------plots()

网友评论