The post has been translated automatically. Original language: Russian
One of the most underrated skills for working in the industry is the ability to present results. Whether it's the result of analytics, development, or research.Foreign universities have specialized courses on how to write scientific articles. In the CIS countries, such courses are rare, only if you are unlucky enough to have a supervisor.In the world of Machine Learning, the result of work is often a machine learning model. What is the best way to present it?
- A xx-page text report about your difficult life in DS?
- infographics with key quality assessment parameters?
- beautiful learning graphs and learning curves?
There is a better solution — a full-fledged web service in which you can attach everything you need (text, infographics, graphics, images) and, most importantly, an interactive component to enable the customer (without development and ML experience) to work visually with the presented ML model.The best part is that not only the client, but you also don't need to become a programmer to learn how to make such web services. As an example, there are only 85 lines of code, and you have a full-fledged service that shows the result of the kNN model on the Titanic training dataset.: https://bdt-knn-demo.streamlit.app/Library to study for the current week:
import streamlit as stTask #1To understand the capabilities of streamlit, study the "Get started" section of the official streamlit documentation page (the key block is Fundamentals).Pay attention to the sandbox, which can be used in the browser without installing any libraries locally (don't forget to launch balloons): https://streamlit.io/playground?example=helloTask #2Do additional homework on streamlit, which is described on the website: https://bdt-knn-demo.streamlit.app/Note: This assignment is included in the set of practical assignments for the first training module of the Practical Machine Learning Course.
Useful information
Read first: Part 1 introduction to ML and ML libraries for Python
Previous issue: Part 6 Hello, world in the ML world and the kNN algorithm
BigData Team: the way you learn best
Один из самых недооцененных скиллов для работы в индустрии — это умение презентовать результаты. Будь то результат аналитики, разработки или исследования.
В зарубежных вузах есть специализированные курсы про то, как писать научные статьи. В странах СНГ такие курсы — редкость, только если вам не повезло с научным руководителем.
В мире Machine Learning результатом работы часто является модель машинного обучения. Каким образом лучше всего ее презентовать?
- текстовый отчет на xx страниц о вашей трудной жизни в DS?
- инфографика с ключевыми параметрами оценки качества?
- красивые графики обучения и learning curves?
Есть решение получше — полноценный web-сервис, в котором можно приложить все необходимое (текст, инфографику, графики, изображения) и, что самое важное, интерактивная составляющая для возможности заказчику (без опыта разработки и ML) поработать наглядно с представленной моделью ML.
Самое приятное, что не только клиенту, но и вам тоже не нужно становиться программистом, чтобы научиться делать такие web-сервисы. Как пример, всего 85 строчек кода, и у вас полноценный сервис, который показывает результат работы модели kNN на тренировочном датасете Titanic:
https://bdt-knn-demo.streamlit.app/
Библиотека для изучения на текущую неделю:
import streamlit as st
Задача #1
Чтобы понимать возможности streamlit изучите раздел "Get started" официальной страницы документации streamlit (ключевой блок — Fundamentals).
Обратите внимание на песочницу, которую можно использовать в браузере без установки каких-либо библиотек локально (не забудьте позапускать шарики 🎈): https://streamlit.io/playground?example=hello
Задача #2
Выполните дополнительное домашнее задание по streamlit, которое описано на сайте: https://bdt-knn-demo.streamlit.app/
На заметку: это задание входит в набор практических заданий по первому учебному модулю Практического курса по Machine Learning.
Полезная информация
Читать сначала: ч.1 введение в ML и библиотеки ML для Python
Предыдущий выпуск: ч.6 Hello, world в мире ML и алгоритм kNN
BigData Team: the way you learn best
Share
