Diese Frage taucht normalerweise zu Beginn einer Reise zum maschinellen Lernen auf.
In sehr einfachen Worten ist die Pipeline für maschinelles Lernen eine Orchestrierung miteinander verbundener Aktivitäten, die zur Ausführung von Aufgaben des maschinellen Lernens verwendet werden.
Sie werden normalerweise in den folgenden Schritten durchgeführt:
- Daten erfassen
- Vorverarbeitung
- Function-Engineering
- Modelltraining
- Modellbewertung
- Modelltuning
- Einsatz
Diese Schritte sind bei allen Arten von KI/ML-Projekten nach wie vor üblich.
Wie wird es umgesetzt?
Die gebräuchlichste Methode zur Implementierung von ML-Pipelines sind Iron Python Notebooks.
Werkzeuge zu Ihrer Verfügung
Zur Implementierung von ML-Pipelines stehen eine Reihe gängiger Instruments zur Verfügung, die entweder auf Ihrem Arbeitsplatzrechner installiert oder on-line genutzt werden können. Einige Beispiele sind:
Set up auf Ihrer Workstation:
Anakonda – Hier
On-line verfügbar und keine Bereitstellung erforderlich:
Google Collab – Hier
