用于 DevOps 的 Python

第 14 章 MLOps 和机器学习工程

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

机器学习工程师是 2020 年最热门的职称之一。其他热门职称包括数据工程师、数据科学家和机器学习科学家。 虽然你可以成为 DevOps 专家，但 DevOps 是一种行为，DevOps 的原则可以应用于任何软件项目，包括机器学习。让我们来看看 DevOps 的一些核心最佳实践：持续集成（Continuous Integration）、持续交付（Continuous Delivery）、微服务（Microservices）、基础设施即代码（Infrastructure as Code）、监控与日志记录（Monitoring and Logging）以及沟通与协作（Communication and Collaboration）。其中哪些不适用于机器学习？

软件工程项目越复杂，机器学习就越复杂，就越需要 DevOps 原则。 还有比进行机器学习预测的 API 更合适的微服务实例吗？ 在本章中，让我们深入探讨如何利用 DevOps 思维以专业、可重复的方式进行机器学习。

什么是机器学习？

机器学习是一种使用算法自动学习数据的方法。 主要有四种类型：监督式、半监督式、无监督式和强化式。

监督机器学习

在有监督的机器学习中，正确答案是已知的，并且已经标记。 例如，如果您想根据体重预测身高，您可以收集人们身高和体重的示例。 身高是目标，体重是特征。

让我们来看看有监督机器学习的例子：

• 原始数据集

• 25 000 份 18 岁儿童身高和体重的合成记录

摄取

In[0]:

import pandas as pd

In[7]:

df = pd.read_csv(
  "https://raw.githubusercontent.com/noahgift/\
  regression-concepts/master/\
  height-weight-25k.csv")
df.head()

Out[7]:

索引	高度-英寸	重量-磅
0	1	65.78331	112.9925
1	2	71.51521	136.4873
2	3	69.39874	153.0269
3	4	68.21660	142.3354
4	5	67.78781	144.2971

EDA

让我们看看这些数据，看看可以探索出什么。

散点图

在本例中，使用了 Python 中流行的绘图库 seaborn 来实现数据集的可视化。 如果需要安装，可以通过!pip install seaborn 在笔记本中安装。 您也可以通过!pip install <name of package> 安装该部分中的任何其他库。如果您使用的是 Colab 笔记本，我们会为您安装这些库。请参见高度/重量 lm 图（图 14-1）。

In[0]:

import seaborn as sns
import numpy as np

In[9]:

sns.lmplot("Height-Inches", "Weight-Pounds", data=df)

图 14-1. 高度/重量 lm 图

描述性统计

接下来，可以生成一些描述性统计数据。 ...