使用Flask Dockerize并将机器学习模型作为REST API部署 一个可以服务于预测机器学习模型的简单Flask应用程序。 启动Flask应用程序后，将一个腌制的sklearn模型读入内存，并通过/ predict端点返回预测。 您还可以使用/ train端点来训练/重新训练模型。 部署ML模型的步骤 安装Flask和Docker 序列化您的scikit学习模型（可以使用Pickle或JobLib完成） [可选]将列名称列表添加到scikit对象，例如：rf.columns = ['Age'，'Sex'，'Embarked'，'Survived'] 创建一个单独的flask_api.py文件，该文件将使用Flask构建Web服务 运行python flask_api.py 转到http地址检查其是否正常工作 创建一个执行以下项目的dockerfile 安装ubuntu，python和git 从git克隆代码回购或将本地python代码移动到容器中的/ app 将WORKDIR设置为/ app 在requirements.xt中安装软件包 露出端口以进行烧瓶定位

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

模仿学习 该存储库提供了论文的Tensorflow实现。 您可以找到经过预训练的网络。 当前的存储库添加了Tensorflow培训代码。 本文中的设置只有几处更改： 我们训练的步数更少（我们执行190k步，本文执行450k步），但这是可配置的。 控制器的分支遵循训练数据的顺序。 我们对输出采用不同的权重超参数（转向，汽油，刹车，速度），因为本文中建议的超参数对我们不起作用。 设置 该存储库使用docker映像。 为了使用它，请安装 。 要生成图像，请使用： docker build --build-arg base_image=tensorflow/tensorflow:1.12.0-gpu -t imit-learn . 如果仅需要CPU映像，请base_image=tensorflow/tensorflow:1.12.0-gpu 。 到目前为止，我们仅使用tensorf

机器学习贷款贷款俱乐部 我们正在一家银行工作，正在考虑在Lending club进行投资。 由于没有标准模型，因此我们希望构建预测模型，以帮助您根据用户输入的各种参数来预测利率。 第1部分：数据整理和探索性数据分析 数据下载和预处理 我们的第一个挑战是从以编程方式下载数据。我们的目标是从网站以编程方式下载数据并为整个数据库创建一个数据集。 探索性数据分析： 使用R / Python编写Jupyter笔记本以图形方式表示不同的数据摘要。在此笔记本中总结您的发现。 总结关于不同用户配置文件，状态，贷款金额等的关键见解。创建Power BI仪表板的数据科学家视图以说明您的关键见解 第二部分：

酒评指标 在这个项目中，我为在线葡萄酒销售商构建了葡萄酒评级预测指标。 该Wine预测变量旨在显示使用wine_dataset良好的预测是可能的。 葡萄酒评级是80到100之间的一个分数，代表了葡萄酒的质量。 使用当前的功能集，随机森林分类器及其调整的参数葡萄酒等级预测器可以预测均方误差为4.9的葡萄酒质量。 该指标表明，针对客户的全自动机器学习解决方案在生产中是可行且有效的。 该预测器运行带有Docker和Luigi任务的机器学习管道。 因此，它可以在装有docker和docker-compose的任何机器上运行。 机器学习管道包括以下步骤： 下载资料 制作数据集 清理数据 提取功能

Windows系统下docker-machine安装文件v0.14.0，docker-machine-Windows-x86_64.exe

配置docker-machine， docker-machine.bash

docker-machine

docker-machine

docker-python-deep-learning：使用Python 3进行深度学习的容器