فرآیند علم داده در حقیقت، فرآیند تبدیل داده به دانش (Knowledge ) با چارچوب Crisp-DM است . پس از آموزش و تست مدل، نوبت به استقرار مدل بر بستر یک برنامه وب است. تا تاثیر بیشتری از نظر تولید دانش خروجی بر مخاطب بگذارد و با تولید داشبوردهای تعاملی در دسترس عموم قرار گیرد.

انواع بستر استقرار مدل (model deployment)
استقرار مدل نقطه پایانی یک گردش کار علم داده است. مدل ها را می توان به صورت زیر مستقر کرد:
- نوت بوک های Jupyter
- API
- برنامه های وب (Web App)
نوتبوکهای Jupyter معمولاً برای نمونهسازی اولیه گردش کار علم داده استفاده میشوند و میتوانند:
- در GitHub آپلود شوند.
- به عنوان یک پیوند از طریق Google Colab به اشتراک گذاشته شود.
- از طریق Binder به اشتراک گذاشته شود.
برنامه کاربردی (API): مدل ها همچنین می توانند به عنوان REST API با استفاده از ابزارهایی مانند FastAPI مستقر شوند.
Web apps
برنامه های وب را به عنوان استقرار مدل های یادگیری ماشین می شناسند. رویکرد سنتی استفاده از بسته بندی API از طریق استفاده از چارچوب های وب مانند جنگو و فلاسک است. یک رویکرد بسیار ساده تر، استفاده از یک راه حل کم کد مانند Streamlit برای ایجاد یک برنامه وب است.که در این مقاله به آن می پردازیم.
معمولاً ارائه و گزارش نتایج آزمایشهای علم داده و یادگیری ماشین میتواند کار سختی باشد. درحالیکه درگذشته، یک ارائه پاورپوینت یا یک فایل LaTex برای نمایش پروژه کافی بود ولی با محبوبیتی که امروزه وبسایتها دارند، بهتر است که پروژه خود را در بستر یک سایت نمایش دهید.
برای این کار در این مقاله می خواهیم با فریمورک streamlit پایتون آشنا شده و نحوه نصب آن را آموزش دهیم.
آشنایی با streamlit و نحوه نصب آن
Streamlit می تواند به طور یکپارچه با سایر کتابخانه های محبوب پایتون مورد استفاده در علم داده مانند NumPy، Pandas، Matplotlib، Scikit-learn و بسیاری دیگر ادغام شود.
توجه: Streamlit از React به عنوان یک فریمورک ظاهری برای نمایش داده ها روی صفحه استفاده می کند.
- Streamlit را میتوان با استفاده از PIP در محیط پایتون خود نصب کنید، بهترین ابزار سازگار، ترمینال anaconda است که باید حتما قبلش نصب کنید.
pip install streamlit

۲. پس از نصب، می توانید کتابخانه را با اجرای دستور زیر در ترمینال anaconda آزمایش کنید.
streamlit hello

پس از اجرای این دستور به درستی، تنها بار اول از شما یک آدرس ایمیل پرسیده شده و سپس یک صفحه وب به شرح زیر در مرورگر شما باز می شود:

این کار یک وبسایت بر روی localhost:8501 برایتان باز میکند که در آن میتوانید تعدادی دمو با نمونه کد که با ابزار Streamlit ایجاد شده را ببینید.

در مقاله بعد یک برنامه کاربردی وب با فریمورک streamlit را اجرا خواهیم کرد.
یک دیدگاه :