Grant34
Организатор
- #1
Реализация проекта машинного обучения от A до Я на примере приложения для обобщения текста [Алексей Михнин]
- Ссылка на картинку
Книга посвящена практической реализации проекта машинного обучения.
Рассматривается весь жизненный цикл создания продукта
на основе моделей машинного обучения, от формулировки бизнес-задачи до развертывания веб-приложения.
Автор на конкретном кейсе демонстрирует процесс исследования проблемы, поиска алгоритмов, разработки и обучения AI моделей.
Особое внимание уделяется вопросам проектирования кода и архитектуры, позволяющим создавать гибкие и масштабируемые системы искусственного интеллекта.
Читатель получает ценные практические навыки по модульной разработке, тестированию, контейнеризации моделей и их интеграции через веб-интерфейсы.
Книга содержит примеры кода и инструкции для создания собственных приложений машинного обучения.
Это издание станет полезным как для начинающих, так и для опытных разработчиков в области искусственного интеллекта.
Прототип решения задачи по обобщению текста
Пошаговая инструкция по запуску в реализацию проекта
Шаг 1. Подготовка проекта
Настройка и клонирование репозитория GitHub на ПК
Создание шаблона структуры папок и файлов
Создание виртуального окружения
Создание структуры шаблона папок и файлов
Фиксация изменений на GitHub
Подготовка к установке библиотек Python
Подготовка к установке локального пакета Python
Установка внешних и локальных библиотек python
Настройка логирования
Настройка утилит
Тестирование утилит
Шаг 2. Модульное кодирование
Шаг 3. Web–API приложение обученной модели
Шаг 3.1 – Создаем конвеер предсказаний
Шаг 3.2 – Создаем web–приложение с API интерфейсом
Шаг 3.3 – Тестирование web–API приложения
Шаг 4. Упаковка web–API приложения в контейнер
Шаг 4.1. Создаем Dockerfile
Шаг 4.2. Запускаем приложение Docker Desktop на ПК
Шаг 4.3. В терминале VSC создаем контейнер
Шаг 4.4. Переходим в приложение
Docker Desktop
Шаг 4.5. Выполним тестирование нашего контейнера в Docker Desktop
Приложение №1. Прототип по обобщению текста в формате Jupyter Notebook
Приложение № 2. Использование файлов .env в проектах
Приложение № 3. Ссылка на GitHub рассмотренного в данной книге сквозного
примера
Рассматривается весь жизненный цикл создания продукта
Автор на конкретном кейсе демонстрирует процесс исследования проблемы, поиска алгоритмов, разработки и обучения AI моделей.
Особое внимание уделяется вопросам проектирования кода и архитектуры, позволяющим создавать гибкие и масштабируемые системы искусственного интеллекта.
Читатель получает ценные практические навыки по модульной разработке, тестированию, контейнеризации моделей и их интеграции через веб-интерфейсы.
Книга содержит примеры кода и инструкции для создания собственных приложений машинного обучения.
Это издание станет полезным как для начинающих, так и для опытных разработчиков в области искусственного интеллекта.
Прототип решения задачи по обобщению текста
Пошаговая инструкция по запуску в реализацию проекта
Шаг 1. Подготовка проекта
Настройка и клонирование репозитория GitHub на ПК
Создание шаблона структуры папок и файлов
Создание виртуального окружения
Создание структуры шаблона папок и файлов
Фиксация изменений на GitHub
Подготовка к установке библиотек Python
Подготовка к установке локального пакета Python
Установка внешних и локальных библиотек python
Настройка логирования
Настройка утилит
Тестирование утилит
Шаг 2. Модульное кодирование
Шаг 3. Web–API приложение обученной модели
Шаг 3.1 – Создаем конвеер предсказаний
Шаг 3.2 – Создаем web–приложение с API интерфейсом
Шаг 3.3 – Тестирование web–API приложения
Шаг 4. Упаковка web–API приложения в контейнер
Шаг 4.1. Создаем Dockerfile
Шаг 4.2. Запускаем приложение Docker Desktop на ПК
Шаг 4.3. В терминале VSC создаем контейнер
Шаг 4.4. Переходим в приложение
Шаг 4.5. Выполним тестирование нашего контейнера в Docker Desktop
Приложение №1. Прототип по обобщению текста в формате Jupyter Notebook
Приложение № 2. Использование файлов .env в проектах
Приложение № 3. Ссылка на GitHub рассмотренного в данной книге сквозного
примера
