Публикация была переведена автоматически. Исходный язык: Русский
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
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
Поделиться
