معرفی شرکت ها

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 بیشتر

توضیحات

Deploy your model in one line of code

ویژگی	مقدار
سیستم عامل	-
نام فایل	auto-mlops-0.1.9
نام	auto-mlops
نسخه کتابخانه	0.1.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Datarmada
ایمیل نویسنده	contact@datarmada.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/auto-mlops/
مجوز	-

# Deploy your ML pipelines effortlessly, scalably and reliably Datarmada aims at **removing all the friction that comes with Machine Learning in production**. We understand that Data Scientists are not trained to do that, and sometimes they are not even attracted by this Software Engineering / DevOps aspect. **This package aims at deploying your machine learning pipeline on a server in one line**. Your pipeline is deployed on an OVH server so that you own your data and it is compliant with European regulations. ## Installation Install the package python using pip ``` pip install auto-mlops ``` ## Deploy your pipeline Import the ```Deployer``` class from the package. ```python from auto_mlops import Deployer deployer = Deployer() ``` Now, deploy your pipeline by passing to the ```deploy``` method a list containing all of its elements. The pipeline elements (except for the last one) must be either : - A function returning transformed data if your pipeline element doesn't need to be fitted - An instance of a class implementing a ```transform``` method The last element of the pipeline must be an instance of a class a ```predict``` methods, such as a scikit-learn or a Keras model. ```python from sklearn.linear_model import LogisticRegression def preprocess(raw_data): # preprocess the data return preprocessed_data class Featurizer: def transform(self, preprocessed_data): # transform the data return featurized_data log_reg = LogisticRegression() log_reg.fit(featurized_data, y) deployer.deploy([preprocess, featurizer, log_reg]) ``` **Remember your elements must be fitted if they need to !** **You will be asked for your email address** so that we can keep track of the ownership of the pipelines deployed, and give you access to monitoring functions in the future. ```python deployer.deploy([preprocess, featurizer, log_reg]) >> Please enter your email address so that we can keep track of your pipelines: you@example.com >> Your pipeline has been deployed to https://cloud.datarmada.com/id ``` You can access your route whenever you want through ```deployer.route``` ## Make predictions You can now send data to the route by making a POST request as following ```python import requests res = requests.post( "https://cloud.datarmada.com/id", json = { "data": your_raw_data } ) print(res.json()) >> { "prediction" : prediction } ``` It may be possible that one of the package you are using is not available in the environment we are deploying your model. If you receive an error saying so, please email us at contact@datarmada.com so that we can fix it.

نیازمندی

مقدار	نام
>=2.23.0,<3.0.0	requests
>=1.3.0,<2.0.0	cloudpickle
>=0.22.1,<0.23.0	scikit-learn

زبان مورد نیاز

مقدار	نام
>=3.6,<4.0	Python

نحوه نصب

نصب پکیج whl auto-mlops-0.1.9:

pip install auto-mlops-0.1.9.whl

نصب پکیج tar.gz auto-mlops-0.1.9:

pip install auto-mlops-0.1.9.tar.gz