¿Cómo puedo implementar algoritmos de aprendizaje automático en una aplicación web?

De su pregunta deduje que está hablando de aplicaciones en línea / basadas en la web. Obviamente, hay otras aplicaciones, como dispositivos médicos independientes, etc. que tienen una historia diferente. Suponiendo eso, dividamos el problema en cuatro componentes:

1- Necesitas una base de datos. Su elección depende de diferentes aspectos, pero lo más importante es el tamaño y la velocidad de sus datos. Para problemas de pequeño tamaño, un RDBMS regular hará el trabajo.

2- Necesita un componente para construir páginas HTML dinámicas. Un lenguaje de programación web típico como PHP hará ese trabajo. Su componente HTML dinámico gestiona la comunicación con la base de datos en el front-end.

3- Necesitas un front-end hermoso y fácil de usar. Las habilidades requeridas son CSS, Javascript y HTML sin formato. Este componente se comunica con (y es parcialmente generado por) el componente 2.

4- El componente final es tu motor ML. Puede escribirlo en cualquier idioma, pero el rendimiento y el tipo de aplicación son las principales consideraciones. Para grandes aplicaciones distribuidas, su elección se reduce a los ecosistemas Hadoop o Spark. Para conjuntos de datos de tamaño medio, puede usar Java y C ++. Si tiene datos de tamaño pequeño, [R] y MATLAB pueden usarse. Su motor ML puede comunicarse directamente con la base de datos (generalmente si es una aplicación grande o implica aprendizaje en línea) o no (si tiene otro mecanismo para extraer datos periódicamente y actualizar su motor ML). Los resultados del motor ML son la alimentación de su motor de segundo componente. Algo entre una base de datos relacional típica, un archivo de texto o un archivo JSON es común aquí.

Como puede ver, se requieren diferentes habilidades para una aplicación de ML basada en web de tipo de producción. En aplicaciones de nivel empresarial, el primer componente es realizado por un ingeniero de datos, el segundo por un desarrollador de software (web), el tercero por un diseñador gráfico (ingeniero de interfaz de usuario), y el último es el trabajo de un científico de datos.

Las técnicas de aprendizaje automático no se limitan a aplicaciones y análisis fuera de línea , y pueden ser el motor predictivo de sus servicios web.

Por ejemplo , las aplicaciones populares y útiles de modelos de aprendizaje automático en aplicaciones web incluyen

  • Detección de spam en formularios de envío,
  • Los motores de búsqueda,
  • Sistemas de recomendación para medios o portales de compras, y muchos más.

Aquí hay buenos ejemplos que le muestran cómo incrustar un modelo de aprendizaje automático en una aplicación web que no solo puede clasificar sino también aprender de los datos en tiempo real.

  1. Compilar e implementar una aplicación web predictiva con Python y Azure ML
  2. 9. Incrustar un modelo de aprendizaje automático en una aplicación web [Libro]
  3. Incrustar un modelo de Machine Learning en una aplicación web – Python Machine Learning
  4. ¿Cómo utilizar el aprendizaje automático en la aplicación móvil?

Sahil, en primer lugar, es admirable saber que ha realizado su parte de investigación y está interesado en explorar ML y su aplicación, más allá.
He estado entrenando a personas en ML por un tiempo y muchas veces lleva un tiempo construir sistemas de nivel de producción. Los videos y las clases en línea son un excelente punto de partida, pero depender solo de videos para construir cosas listas para la producción puede ser realmente difícil.

Estaré encantado de explicar en detalle las preguntas que ha formulado. Pero después de haber estado en Data Science durante un tiempo, debo decir que cuantos más datos (detalles) proporciones, mejor será mi respuesta.

1) El hecho de que esté ejecutando la base de datos SQL, la consulta de la base de datos se puede hacer en Python.
2) Construir modelos ML en Python. Tiene buen soporte y es bastante fácil de entender. Minimice el uso de herramientas, ya que llevará adelante las ineficiencias inherentes.
3) Una buena idea puede ser utilizar las API REST o SOAP para transmitir sus resultados al usuario a través de la Web.
4) Un buen modelado debe usar recursos mínimos. Pero más datos supera a mejores algoritmos. Por lo tanto, elija el hardware donde tenga una buena cantidad de almacenamiento. Dependiendo de lo que esté construyendo, también puede elegir RAM.
5) Para este punto, podría ser una buena idea replicar los datos y construir modelos sobre ellos, y ponerlos en producción después de las pruebas. Sin embargo, jugar con datos en vivo y asegurarse de que no tenga ningún impacto en la experiencia del usuario en ningún momento, tal vez un poco ilusorio.

Es posible que desee considerar el uso de API de Machine Learning listas para usar como estas: lista de más de 40 API de Machine Learning

Servicio de reconocimiento OCR Servicio Ocr Api – Iphone – Android – Blackberry – Windows Phone – Las aplicaciones web son un motor de reconocimiento óptico basado en la nube. Tomamos imágenes como entrada y respondemos con texto como salida. Checkout Ocr Api Service – Iphone – Android – Blackberry – Windows Phone – Aplicaciones web para obtener más información.

Rostro (Lambda) : una API de visión por computadora para reconocimiento facial y detección facial que es una página perfecta para el reemplazo facial. Actualmente tenemos una API gratuita para la detección de rostros.

Sentimiento de Viralheat: el sentimiento de Viralheat es una API gratuita y permite a los usuarios enviar fragmentos cortos de texto para la puntuación de los sentimientos.

Análisis chino : Soshio permite a las empresas ampliar rápidamente su comprensión del mercado chino. Su API de análisis chino proporciona capacidades de análisis de texto y análisis de texto en chino para que las empresas creen su propio panel de control social.

Información de clic cero de DuckDuckGo – La información de clic cero de DuckDuckGo incluye resúmenes de temas, categorías, desambiguación, sitios oficiales, redirecciones! Bang, definiciones y más. Puede usar esta API para muchas cosas, por ejemplo, definir personas, lugares, cosas, palabras y conceptos; proporciona enlaces directos a otros servicios (a través de la sintaxis! bang); enumerar temas relacionados; y ofrece sitios oficiales cuando están disponibles.

MyMemory – Memoria de traducción – ¡Obtén una mejor traducción! MyMemory es la memoria de traducción más grande del mundo. Contiene miles de millones de palabras traducidas por traductores profesionales. MyMemory le dará una traducción automática (Google, Microsoft o nuestra) solo cuando no haya una traducción humana disponible.

Procesamiento de texto : análisis de sentimientos, derivación y lematización, etiquetado y fragmentación de parte del discurso, extracción de frases y reconocimiento de entidades con nombre.

Skyttle : la API de Skyttle está diseñada para convertir cualquier texto en términos constitutivos (expresiones significativas), entidades (nombres de personas, lugares y cosas) y términos de opinión. Los idiomas admitidos son inglés, español, francés, alemán, chino, sueco, griego, checo, italiano y ruso.

Reconocimiento de Rostros y Escenas provisto por ReKognition.com – ¡Página en alternativa de Rostros ! ¡Nuestro motor de recuperación rápido, robusto y escalable puede hacer detección facial, rastreo, reconocimiento y comprensión de la escena! ¡Se puede entrenar automáticamente usando imágenes y etiquetas en Facebook! Visite http: //rekognition.com/ o envíeme un correo electrónico en mashape para registrar una cuota gratuita.

Clasificación de consultas : esta API se puede utilizar para buscar el tema de una consulta de palabras clave. El tema de la consulta se elegirá entre más de 1500 temas predefinidos. Esto funciona mejor con frases de consulta como: “Star Wars”, “precio de Dell Inspiron 1420”. Esta tecnología ha sido proporcionada por Query Dynamics LLC (Página sobre Querydynamics). Esta tecnología se está utilizando para clasificar los tweets en un sitio web llamado TweetDynamics (Mapa de Tweet y Directorio de Tweet que contiene Temas de Tweet) Para obtener la clase para la consulta “Star Wars”, envíe una solicitud GET a – Página sobre Tweetdynamics Se devolverá el siguiente código JSON : {“Respuesta”: película de ciencia ficción} La categoría de la consulta está dentro de la etiqueta Respuesta. Algunos de los usos de esta API son crear herramientas para el análisis de consultas en línea y el análisis del registro de consultas fuera de línea.

Reconocimiento facial – Stephen aquí de Lambda Labs. Para obtener un código de muestra y una demostración gráfica, consulte http://api.lambdal.com/docs . Nuestra API proporciona reconocimiento facial, detección facial, posición de los ojos, posición de la nariz, posición de la boca y clasificación de género. Si tiene alguna pregunta, pregunte! Simplemente envíe un correo electrónico a [correo electrónico protegido] o llame al (802) 598-6343. Happy Hacking! -Stephen

Jeannie – Jeannie (Voice Actions) es un asistente virtual con más de dos millones de descargas, ahora también disponible a través de API. El objetivo de este servicio es proporcionarle a usted y a su robot la respuesta más inteligente a cualquier pregunta en lenguaje natural, al igual que Siri. Este servicio proporciona una interfaz para las funciones estándar que los usuarios demandan de los asistentes de voz modernos. Por ejemplo, chatear, buscar información, crear mensajes y mucho más. También proporciona metadatos útiles, como el análisis de oraciones y la extracción de entidades que van más allá del simple chat y los comandos de voz. Más de 2 millones de usuarios ya se han puesto en contacto con esta API: acciones de voz para iOS, Mac, Android y Chrome Ejemplos: https://weannie.pannous.com/api ? … https://ask.pannous.com/?input = documentación completa: Servicio de acciones de voz – Pannous GmbH – Google Drive

Filtro de pornografía : escanee imágenes y URL de imágenes para determinar si contienen contenido inapropiado. Envíenos una imagen y le diremos si es probable que sea porno. Una nota sobre el escaneo de porno: nada en este mundo es perfecto. Nuestra API analiza los tonos de piel, las formas y otras señales para identificar imágenes que probablemente sean inapropiadas, pero nunca nada será perfecto. Al igual que el análisis de virus, los filtros de spam y otras cosas, se producirán algunos falsos positivos y visitas perdidas.

Portrait3D : la API Portrait3D se basa en la solución Tethys 3D ™ de Avatarion y proporciona a los desarrolladores de software una tecnología para crear modelos faciales animados basados ​​en fotos.

Reconocimiento de significado SpringSense – ¡Plan gratuito disponible! La API de reconocimiento de significado (Desambiguación de sentido de palabras) más rápida y precisa del mundo. Reconoce cualquier nombre en un cuerpo de texto y le permite proporcionar una rica interfaz de usuario con definiciones de significado. Los enlaces más exhaustivos (y útiles) están disponibles en: http://github.com/SpringSense/ruhttp://github.com/SpringSense/ja … python-api-bindings

Idilia Sense Analytics https://www.mashape.com/idilia/i … – Anote con precisión el texto con buenos sentidos utilizando la única API del mundo que desambigua las palabras comunes (todas las partes del discurso) y los nombres propios (NEs) con una precisión casi humana . Use recetas especializadas para textos bien formados, consultas y redes sociales (por ejemplo, tweets). Obtenga anotaciones léxicas, puntajes de confianza estadística, enlaces externos (wikipedia, cuentas verificadas de Twitter, etc.) y una clasificación precisa de las EN. Etiquetas: desambiguación, wsd, análisis de texto, lenguaje, anotación sensorial, semántica, extracción ** Para obtener más documentación, consulte la página en Idilia ** Foro de desarrolladores en la página en Google

ImageVision – NuditySearch – NuditySearch de ImageVision – Reconocer la desnudez es un problema muy complejo. NuditySearch aborda este problema reconociendo los atributos anatómicos y determinando si hay desnudez en las imágenes. Versión beta del motor NuditySearch de ImageVision Obtenga más información en http://www.ImageVision.com Palabras clave: desnudo, desnudez, lascivo, sospechoso, inadecuado, proteger, anatomía, anatómico, análisis de imágenes, detección de imágenes, extracción de características, escaneo de imágenes.

Detección y reconocimiento de rostros SkyBiometry : una API de reconocimiento y reconocimiento de rostros fácil de usar. Debe tener una aplicación creada en su cuenta en SkyBiometry para usarla (regístrese en https://www.skybiometry.com/Acco… si aún no tiene una cuenta).

Preguntas y respuestas : la API de preguntas y respuestas de WebKnox le permite encontrar respuestas a preguntas en lenguaje natural. Estas preguntas pueden ser objetivas, como “¿Cuál es la capital de Australia” o más complejas.

TweetSentiments : devuelve el sentimiento de los Tweets. Dos API en línea llaman a la API de Twitter para analizar Tweets de un usuario de Twitter determinado o Tweets devueltos por una consulta de búsqueda de Twitter. La API fuera de línea analiza los textos de Tweets que ya tienes, un Tweet a la vez.

Bypass Captcha : evita cualquier captcha que encuentres y libera tus manos.

Procesamiento de texto: la API de procesamiento de texto de WebKnox le permite procesar textos en lenguaje (natural). Puede detectar el idioma del texto, la calidad de la escritura, encontrar menciones de entidades, etiquetar parte del discurso, extraer fechas, extraer ubicaciones o determinar el sentimiento del texto.

Detección de rostros de Infatics : API de detección de rostros simple.

Análisis de sentimientos para redes sociales: la API de análisis de sentimientos multilingüe (con una precisión excepcional, 83.4% en comparación con el estándar de la industria de 65.4% y disponible en mandarín) de Chatterbox clasifica los textos de redes sociales como positivos o negativos, con una asignación diaria gratuita para obtener tú empezaste. El sistema utiliza modelos estadísticos avanzados (aprendizaje automático y PNL) entrenados en datos sociales, lo que significa que la detección puede manejar jerga, errores ortográficos comunes, emoticones, hashtags, etc. Puede usar esta API de forma gratuita. Si necesita más flexibilidad y mayor escala, puede pasar a un plan pagado. Los detalles completos sobre la genialidad de la API se pueden encontrar en Sentiment Analysis for Social Media API. Vea un ESTUDIO DE CASO de esta API en uso aquí: http://bit.ly/Wlku1z . Tenga en cuenta: El plan gratuito ofrece 500 estados clasificados por día; se cobrará cualquier uso que supere este. Si está utilizando más de 500 estados por día, es más rentable actualizar a uno de los planes de bajo costo y pagos o contáctenos directamente para obtener una oferta empresarial.

ColorTag : ColorTag es una potente API para la detección de color. Al tomar un archivo de imagen (o URL) como entrada, ColorTag produce una lista de etiquetas de texto y valores RGB hexadecimales que luego se pueden usar como etiquetas para una determinada imagen o elemento. La API puede ordenar las etiquetas por relevancia (detectando colores de objetos en la imagen, por ejemplo, un vestido, un automóvil, etc.) o simplemente por peso en la imagen. El primer modo es perfecto para aplicaciones de comercio electrónico, ya que permite etiquetar automáticamente elementos con colores simplemente proporcionando una foto o una miniatura y creando una nube de etiquetas de color, para que los usuarios puedan buscar elementos por color (por ejemplo, rojo). El modo de clasificación por peso puede ser útil para fotos, fondos de pantalla u otras imágenes sin objetos bien definidos para analizar la paleta en general. Las etiquetas de color de texto se pueden asignar con diferente precisión (solo colores básicos, colores compatibles con W3C, colores precisos, etc.).

Análisis del sentimiento chino para las redes sociales : esta API realiza un análisis del sentimiento chino para las redes sociales (como los estados de Sina Weibo). Para un mensaje proporcionado, clasifica el estado como positivo o negativo. El sistema está diseñado específicamente para las redes sociales y, por lo tanto, puede aprovechar la jerga y el lenguaje de nicho. Esta API está en modo de prueba y debe considerarse una versión BETA. Es probable que la API cambie en cualquier momento: es inestable y los resultados solo deben usarse para realizar pruebas. Tenga en cuenta: El plan gratuito ofrece 500 estados clasificados por día; se cobrará cualquier uso que supere este. 此 API 适用 于 中文 社交 媒体 的 情感 分析 (例如 新浪 微 博) , 能 针对 每 一条 消息 进行 情感 分类 : 正面 或 负面。 该 系统 基于 社交 媒体 , 能够 充分 利用 俚语 , 特殊 词语 等 新 新 网络 用语 请 请注意 : 该 免费 版本 提供 每天 500 条 消息 分类 – 超过 此 上限 , 将会 被 额外 收费。

Servicio de detección de desnudos: esta API permite a los desarrolladores verificar la desnudez en las imágenes.

Reconocimiento facial de Animetrics: la API de reconocimiento facial de Animetrics se puede utilizar para detectar rostros humanos en imágenes. La información sobre los rasgos faciales o “puntos de referencia” se devuelve como coordenadas en la imagen. El reconocimiento facial de Animetrics también detectará y devolverá la orientación o “pose” de las caras a lo largo de 3 ejes. ¡Tenemos la intención de agregar funcionalidad para la coincidencia facial muy pronto! También está disponible una capacidad especial llamada “SetPose”. Las imágenes de SetPose son fotografías de la vista frontal de una cara que ha sido corregida a cero para tono (eje x), guiñada (eje y) y balanceo (eje z). Mientras dentro de la imagen facial de entrada se vean ambos ojos, entonces SetPose presentará la imagen facial correcta para x = y = z = 0, un frontal perfecto.

Stemmer : esta API toma un párrafo y devuelve el texto con cada palabra derivada usando porter stemmer, snowball stemmer o UEA stemmer

Análisis de términos : dado un texto, esta API devuelve el texto lematizado

Algorithms.io – Los Algorithms.io | Algorithms.io API proporciona un catálogo de algoritmos de aprendizaje automático como un servicio. Incluye algoritmos de recomendación (filtrado colaborativo), agrupamiento y clasificación. Vuelva a consultar con nosotros a menudo, ya que constantemente estamos agregando nuevos algoritmos. Si tiene un algoritmo de aprendizaje automático que desea ofrecer para su uso a través de nuestra API, contáctenos para formar parte de nuestro programa de socios. Puede encontrar documentación detallada en nuestra página de documentos en: http://documentation.algorithms.io

Verdad : escriba scripts para trabajar con nuestros datos, estadísticas e imágenes utilizando la API. Descargue el volumen de tweets a lo largo del tiempo, el diseño de la red y las estadísticas sobre memes y usuarios, como el partidismo político predicho, la puntuación de los sentimientos, el idioma y la actividad.
Análisis semántico: API de análisis de texto que incluye sintetizadores wordnet, extracción de relaciones, reconocimiento y clasificación de entidades con nombre, lematización, parte del etiquetado de voz, tokenización y etiquetado de roles semánticos. También incluye tipos de wikipedia de dbpedia, YAGO (por lo que sabe sobre artistas, presidentes, ..), así como la desambiguación mediante redireccionamientos de wikipedia (el presidente Abraham Lincoln redirige a Abraham Lincoln en Wikipedia) útiles para detectar quién podría ser una persona.

Detección de ira para redes sociales : esta API única revolucionará sus niveles de servicio, protegerá su marca y supervisará las campañas de ventas y promocionales. Diseñada específicamente para las redes sociales, esta API mide automáticamente los niveles de ira dentro de los mensajes sociales para que pueda resaltar rápidamente los puntos de acción. En combinación con Chatterbox Sentiment Analysis, Anger Detection está diseñado para proteger la interacción de su marca y servicio con una audiencia en línea. La identificación de defensores (clientes insatisfechos) garantizará que el lanzamiento de su producto se ejecute sin problemas, que su campaña esté encaminada y que ninguna influencia viral negativa afecte los ingresos por ventas. Esta API ha demostrado ser exitosa con grandes volúmenes de datos, a nivel de mensaje individual y ofrece facilidad de integración con un sistema empresarial para la atención inmediata dentro del área relevante de su negocio. La medición histórica y actual también será una razón atractiva de por qué comprar esta API.

Indicador de emoción para las redes sociales : esta API es esencial para medir audiencias en línea. Mediante el aprendizaje automático avanzado, mide automáticamente los niveles de emoción dentro de los estados sociales. Habrás oído hablar del zumbido (número de mensajes), pero el zumbido es básico: no te dice nada sobre los mensajes que se publican. El indicador de excitación le permite medir la calidad además de la cantidad. En combinación con Chatterbox Sentiment Analysis, esta API está diseñada para admitir ingresos publicitarios, promociones de ventas, lanzamientos de productos y programas de fidelización en líneas de tiempo, geografías e idiomas. Esta API proporciona una medida mucho más precisa de cuán exitoso, atractivo y receptivo es su público en todo el panorama digital (en línea, televisión y publicidad). La medición histórica y actual también será una razón atractiva de por qué comprar esta API.

Ping.it : envíe consejos rápidos y directos sobre buen contenido a cualquiera de sus amigos, compañeros de trabajo y familiares.

DocumentParser : extrae texto y metadatos de una variedad de formatos (HTML, Office, PDF, XML, etc.) e identifica el tipo MIME de un documento. El número y la naturaleza de los metadatos devueltos dependen del tipo MIME y del contenido del documento. Todos los documentos tendrán al menos una clave / valor de ‘Tipo de contenido’ y, a menudo, un ‘título’. Según su nivel de suscripción, la API también puede detectar el idioma de un documento. La identificación se basa en métodos estadísticos y tiene más del 99% de precisión para 53 idiomas.

Diffbot : Diffbot extrae datos de páginas web automáticamente y devuelve JSON estructurado. Por ejemplo, nuestra API de artículos devuelve el título, autor, fecha y texto completo de un artículo. ¡Usa la web como tu base de datos! Utilizamos visión artificial, aprendizaje automático y procesamiento del lenguaje natural para agregar estructura a casi cualquier página web.

Análisis de sentimientos en español : análisis de sentimientos para el idioma español de cualquier tweet dado.

PeerReach : la API de PeerReach le permite dar contexto al contenido producido por los usuarios. Actualmente solo admitimos usuarios de Twitter, pero aceptaremos otras redes en el futuro cercano.

nlpTools – Marco de procesamiento de texto para analizar lenguaje natural. Se centra especialmente en la clasificación de texto y el análisis de sentimientos de los medios de comunicación en línea (de propósito general, temas múltiples).

Speech2Topics – Yactraq Speech2Topics es un servicio en la nube que convierte el contenido audiovisual en metadatos de temas a través del reconocimiento de voz y el procesamiento del lenguaje natural. Los clientes usan los metadatos de Yactraq para orientar anuncios, crear funciones UX como búsqueda / descubrimiento de contenido y extraer videos de Youtube para sentir la marca. En el pasado, tales servicios han sido caros y solo los utilizan grandes editores de videos. Lo único de Yactraq es que brindamos nuestro servicio a un precio que cualquier desarrollador de productos puede pagar.

Analizador ML – Analizar un bloque de texto para contenido para adultos, devolver verdadero / falso

Análisis de sentimientos y redes sociales de Repustate: la API de análisis de sentimientos y análisis de redes sociales de Repustate le permite extraer palabras y frases clave y determinar el sentimiento de las redes sociales en uno de los muchos idiomas. Estos idiomas incluyen inglés, árabe, alemán, francés y español. Monitoree también las redes sociales utilizando nuestra API y recupere todos sus datos con simples llamadas a la API.

Opciones:

  • Use una biblioteca en su código (honestamente, probablemente solo haría esto para Python, o tal vez para el nodo, en este punto, lo probé con PHP y mi dios fue tan doloroso)
  • Use una API
  • Utilice un modelo predictivo u otra plataforma de ML proporcionada por su servidor de servicios web

Esto es solo un complemento de la respuesta de Chris Ismael … pero trataré de responder las preguntas específicas que ha formulado:

1. Extrayendo y organizando bases de datos SQL

Aquí hay un curso en el que podría estar interesado … Enseñan SQL para analizar estadísticas de béisbol … pero para mí fue principalmente lo contrario. ¡Aprendí béisbol de este curso!
Sabermetrics 101: Introducción a la analítica de béisbol

También es posible que desee A2A Greg Kemnitz. Raramente trabajo en bases de datos … y no tengo autoridad para comentar.

2. Despliegue rápido:

  • Brillante = despliegue rápido de código R ..
  • Como ya está familiarizado con MATLAB, también puede echar un vistazo a: Implementar el código MATLAB como una aplicación web

3. Visualización … Google tiene una interfaz … deberías comprobar eso. Referencia de la API de visualización de Google

4. Opciones de hardware del servidor … Para implementaciones rápidas de prototipos … ni siquiera piense en tener sus propios servidores. Nube esp. AWS / SoftLayer / Google debe ajustarse a su factura.

5. Sus algoritmos de ML deben ejecutar silo desde su front-end … luego debe actualizar su base de datos de producción cuando la carga en su servidor sea baja. Entonces, si opta por la nube, su instancia de producción, instancia de prueba y su (s) instancia (s) de algoritmo ML deben ser diferentes.

Considere usar la API de predicción de Google o la API BigML que proporciona el aprendizaje automático como un servicio.

API de predicción de Google: desarrolladores de Google
Machine Learning Made Easy

Implementación de modelos de Python Machine Learning en producción:

También se puede implementar en la nube de Azure.

Compilar e implementar una aplicación web predictiva con Python y Azure ML

Hacemos esto en mi libro, Agile Data Science. Desafortunadamente, está un poco desactualizado, pero debería servir como introducción para crear una aplicación de análisis completa. Libros tecnológicos, libros electrónicos sin DRM, videos

More Interesting

¿Cuál es la mejor manera de analizar un currículum en los campos de la base de datos? ¿Qué hacer si tiene muchos currículums y necesita que los datos se extraigan en elementos individuales que se pueden colocar en una base de datos?

¿Utiliza el cerebro un proceso de recursión?

Cómo hacer un proyecto de chatbot

¿Por qué se han desarrollado los algoritmos de ordenamiento O (n ^ 2) (como el ordenamiento por inserción y el ordenamiento por burbuja) y para qué se utilizan?

¿Dónde se puede encontrar una implementación de árbol de sufijos de la subcadena común más larga?

¿Hay algún algoritmo que un principiante pueda adoptar para resolver un Cubo de Rubik a partir de cualquier configuración?

¿En qué debe centrarse un estudiante de ingeniería informática, proyectos o estructuras de datos y algoritmos?

¿Qué es mejor para eliminar números específicos de una matriz, Java o C ++?

¿Cómo puedo mover puntos colocados al azar con un radio de 'visión' en una línea para cubrir completamente la línea y minimizar la distancia total recorrida?

Cómo aprender algoritmos de manera fácil

¿Cuáles son las fuentes que pueden proporcionar múltiples metodologías a partir de un nivel básico para resolver problemas algorítmicos?

¿Qué razones hay para aprender sobre algoritmos informáticos si no eres un informático?

¿Cuál es el método racional (algoritmo) a seguir al votar?

¿Qué plataforma / herramienta / idioma debería ser bueno para la minería de texto?

¿Cuál es la diferencia entre hashing y encriptación?