El primer párrafo de Deepjyoti Paul describe más o menos el quid de lo que necesita saber: tendrá sus modelos en su backend y querrá canalizar los resultados a su aplicación web para que su usuario los vea.
Dicho esto, tiene varias opciones sobre cómo implementar esto realmente. Una forma que podría atraer a los científicos de datos que no tienen una terrible experiencia en la creación de código front-end es usar Python (numpy, pandas, sci-kit learn, etc.) para construir sus modelos y luego Flask para construir Una aplicación web con Python como backend.
Flask hace que sea (relativamente) fácil pasar valores de su backend usando Jinja, que efectivamente resulta en algunos corchetes elegantes en su código de front-end.
- ¿Cuáles son algunos textos recientes sobre métodos de kernel?
- ¿Cuáles son las relaciones entre diversidad y precisión en los enfoques de conjunto?
- ¿Cómo debo prepararme para Shogun Machine Learning Toolbox en GSoC? ¿Es difícil ser seleccionado en Shogun?
- ¿Qué está sucediendo en este gráfico de pérdida de precisión de la red?
- ¿Puede un autoencoder sobreajustar cuando tiene una cantidad mucho menor de neuronas de capa oculta que la capa de entrada y también se usa la deserción?
Esta aplicación web que utiliza la API de IBM Watson para ejecutar modelos debería dar una idea más concreta de cómo hacer esto (repositorio de Github, consulte server [dot] py).
¡Buena suerte!