معرفی شرکت ها
aiqc-7.1.4
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
End-to-end machine learning on your desktop or server.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | aiqc-7.1.4 |
| نام | aiqc |
| نسخه کتابخانه | 7.1.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Layne Sadler |
| ایمیل نویسنده | layne.sadler@gmail.com |
| آدرس صفحه اصلی | https://aiqc.readthedocs.io/ |
| آدرس اینترنتی | https://pypi.org/project/aiqc/ |
| مجوز | BSD 3-Clause |
<!--
This page is formatted for GitHub's markdown renderer
Note that GitHub does not allow for inline style or <script> tags.
It is also displayed on PyPI, which has slightly different formatting
e.g. can't use html <center> tags.
-->
<a href="https://badge.fury.io/py/aiqc"><img src="https://badge.fury.io/py/aiqc.svg" alt="PyPI version" height="18"></a>
<a href="https://docs.aiqc.io"> <img src="https://readthedocs.org/projects/aiqc/badge/?version=latest" alt="docs status" height="18"></a>
[](https://opensource.org/licenses/BSD-3-Clause)
</br>
<h1 align='center'>📚 <a href="https://docs.aiqc.io">Documentation</a></h1>
</br></br>
<a href="https://docs.aiqc.io">
<img src="https://raw.githubusercontent.com/aiqc/aiqc/main/docs/_static/images/web/framework_simple.png" width="95%" alt="framework"/>
</a>
</br></br></br>
<h2>Technical Overview</h2>
</br>
<h3>What is it?</h3>
<p>
AIQC is an open source Python package that provides a <i>declarative API for end-to-end MLOps</i> (dataset registration, preprocessing, experiment tracking, model evaluation, inference, post-processing, etc) in order to make deep learning more accessible to researchers.
</p>
</br>
<h3>How does it work?</h3>
<p>
The backend is a <i>SQLite object-relational model (ORM)</i> for machine learning objects (Dataset, Feature, Label, Splits, Algorithm, Job, etc). The high-level API stacks these building blocks into <i>standardized workflows</i> for various: analyses (classify, regress, generate), data types (tabular, sequence, image), and libraries (TensorFlow, PyTorch). The benefits of this approach are:
</p>
</br>
<ol>
<li>
⏱️ <i>90% reduction in data wrangling</i> via automation of highly conditional and repetitive tasks that vary for each type of dataset and analysis (e.g. model evaluation, metrics, and charts for every split of every model).
</li>
</br>
<li>
💾 <i>Reproducibility</i>, not only because the workflow is persisted (e.g. encoder metadata) but also because it provides standardized classes as opposed to open-ended scripting (e.g. 'X_train, y_test').
</li>
</br>
<li>
🎛️ <i>No need to install and maintain</i> application and database servers for experiment tracking. SQLite is just a highly-performant and portable file that is automatically configured by `aiqc.setup()`. AIQC is just a pip-installable Python package that works great in Jupyter (or any IDE/shell), and provides a Dash-Plotly user interface (UI) for a <i>real-time experiment tracking</i>.
</li>
</ol>
</br>
<h3>What's on the roadmap?</h3>
<ol>
<li>
🖥️ Expand the UI (e.g. dataset registration and model design) to make it even more approachable for less technical users.
</li>
<li>
☁️ Schedule parallel training of models in the cloud.
</li>
</ol>
</br></br>
<h1 align='center'>📚 <a href="https://docs.aiqc.io">Documentation</a></h1>
</br></br>
<h2>Experiment Tracker</h2>
<a href="https://docs.aiqc.io">
<img src="https://raw.githubusercontent.com/aiqc/AIQC/main/docs/_static/images/dashboard/experiment_tracker.gif" width="95%" alt="experiment_tracker"/>
</a>
</br></br></br>
<h2>Compare Models</h2>
<a href="https://docs.aiqc.io">
<img src="https://raw.githubusercontent.com/aiqc/AIQC/main/docs/_static/images/dashboard/compare_models.gif" width="95%" alt="compare_models"/>
</a>
</br></br></br>
<h2>What if?</h2>
<a href="https://docs.aiqc.io">
<img src="https://raw.githubusercontent.com/aiqc/AIQC/main/docs/_static/images/dashboard/what_if.gif" width="95%" alt="compare_models"/>
</a>
</br></br></br></br>
<h2>Usage</h2>
```python
# Built on Python 3.7.12 to mirror Google Colab
$ pip install --upgrade pip
$ pip install --upgrade wheel
$ pip install --upgrade aiqc
# Monitor and evaluate models (from CLI)
$ python -m aiqc.ui.app
```
```python
# High-level API
from aiqc import mlops
# Declare preprocessing steps
mlops.Pipeline()
# Define, train, & evaluate models
mlops.Experiment().run_jobs()
# Infer using original Pipeline
mlops.Inference()
```
> Official Installation Documentation:
>
> https://aiqc.readthedocs.io/en/latest/notebooks/installation.html
</br></br>
<h1 align='center'>📚 <a href="https://docs.aiqc.io">Documentation</a></h1>
نیازمندی
| مقدار | نام |
|---|---|
| ==2.7.0 | tensorflow |
| ==2.7.0 | Keras |
| ==3.6.0 | h5py |
| ==1.8.1 | torch |
| ==0.8.2 | torchmetrics |
| ==3.14.3 | peewee |
| ==0.24.1 | scikit-learn |
| ==1.19.5 | numpy |
| >=1.1.0 | pandas |
| ==8.1.2 | Pillow |
| ==3.0.0 | pyarrow |
| ==0.7.1 | fastparquet |
| ==5.3.1 | plotly |
| ==1.4.4 | appdirs |
| ==7.1.1 | natsort |
| ==4.59.0 | tqdm |
| ==0.18.2 | validators |
| ==0.3.3 | dill |
| ==0.9.0 | fsspec |
| ==2.5.1 | dash |
| ==1.1.0 | dash-bootstrap-components |
| ==0.1.2 | dash-iconify |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.5, <=3.8.12 | Python |
نحوه نصب
نصب پکیج whl aiqc-7.1.4:
pip install aiqc-7.1.4.whl
نصب پکیج tar.gz aiqc-7.1.4:
pip install aiqc-7.1.4.tar.gz