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

A framework built on top of Ploomber that allows code-first definition of pipelines.

ویژگی	مقدار
سیستم عامل	-
نام فایل	code-first-pipelines-1.0.0
نام	code-first-pipelines
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Prediction and Learning at Simply Business
ایمیل نویسنده	pal@simplybusiness.co.uk
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/code-first-pipelines/
مجوز	-

Code-First Pipelines ==================== A framework built on top of [Ploomber](https://ploomber.io/) that allows code-first definition of pipelines. **No YAML needed!** ## Installation To get the minimum code needed to use the pipelines, install it from PyPI: ```shell pip install code-first-pipelines ``` ## Usage ### Pipelines ```python import pandas as pd from sklearn import datasets from cf_pipelines import Pipeline iris_pipeline = Pipeline("My Cool Pipeline") @iris_pipeline.step("Data ingestion") def data_ingestion(): d = datasets.load_iris() df = pd.DataFrame(d["data"]) df.columns = d["feature_names"] df["target"] = d["target"] return {"raw_data.csv": df} iris_pipeline.run() ``` See the [tutorial notebook](tutorials/Introduction%20to%20Pipelines.ipynb) for a more comprehensive example. ### ML Pipelines ```python import pandas as pd from sklearn import datasets from cf_pipelines.ml import MLPipeline iris_pipeline = MLPipeline("My Cool Pipeline") @iris_pipeline.data_ingestion def data_ingestion(): d = datasets.load_iris() df = pd.DataFrame(d["data"]) df.columns = d["feature_names"] df["target"] = d["target"] return {"raw_data.csv": df} iris_pipeline.run() ``` See the [tutorial notebook](tutorials/Introduction%20to%20ML%20Pipelines.ipynb) for a more comprehensive example. ## Getting started with a template Once installed, you can create a new pipeline template by running: ```shell pipelines new [pipeline name] ```

نیازمندی

مقدار	نام
>=2.1.1,<3.0.0	cookiecutter
>=1.29.0,<2.0.0	mlflow
>=0.21.1,<0.22.0	ploomber
>=1.10,<2.0)	pygraphviz
>=0.6.1,<0.7.0	typer

زبان مورد نیاز

مقدار	نام
>=3.8,<3.12	Python

نحوه نصب

نصب پکیج whl code-first-pipelines-1.0.0:

pip install code-first-pipelines-1.0.0.whl

نصب پکیج tar.gz code-first-pipelines-1.0.0:

pip install code-first-pipelines-1.0.0.tar.gz