Вы когда-нибудь закодировали трубопровод ML, который занимал много времени, чтобы бежать?
Или хуже: Вы когда-нибудь добрались до того, что вам нужно было сохранить на промежуточных частях дисковых частей трубопровода, чтобы иметь возможность сосредоточиться на одном шаге за раз, используя контрольно-пропускные пункты?
Или еще хуже: Вы когда-нибудь пытались ревертировать такой плохо написанный код обучения машине, чтобы положить его на производство, и это заняло вам месяцы?
Ну, мы все были там, работающие над трубопроводами машинного обучения достаточно долго.
Итак, как мы должны построить хороший трубопровод, который даст нам гибкость и способность легко рефакторизовать код, чтобы потом поставить его в производство?
Читайте полный пост здесь: https://www.neuraxio.com/en/blog/neuraxle/2019/10/26/neat-machine-learning-pipelines.html.
Оригинал: “https://dev.to/neuraxio/how-to-code-neat-machine-learning-pipelines-475i”