Привет, ребята!! В этой статье мы сначала узнаем, как создать модель машинного обучения, а затем запустим эту модель внутри контейнера с помощью инструмента контейнеризации, Docker.

Прежде чем начать, давайте подумаем, зачем нам нужно изучать машинное обучение?

Нам нужен О.С. для запуска программы, и если нашей программе нужны какие-то данные, то O.S. будет получать его с локального жесткого диска. Здесь нужно отметить, что машины намного быстрее людей. Но как мы можем наделить машину интеллектом? Давайте рассмотрим пример: отдел кадров компании хочет проанализировать, сколько мы должны платить инженеру по информатике на основе его / ее опыта. Для решения этих задач команды собирали данные из разных источников и использовали разные платформы. Собираемые данные называются историческими данными или, можно сказать, набором данных в мире машинного обучения. Ниже приведен рисунок набора данных.

В приведенном выше наборе данных мы собрали различные наблюдения. Итак, если кандидат приходит с опытом 2,5 года, сколько мы должны платить? Сначала мы перейдем к набору данных и найдем 2,5 года опыта и соответствующую зарплату. Но в нашем наборе данных нет ни одного наблюдения с этим опытом. Теперь возникает вопрос, сколько мы должны платить? Если мы применим здесь немного математики, мы увидим, что Зарплата = (Опыт X Некоторое число) .

Но мы, люди, медленно выполняем вычисления, нам потребуется больше времени, тогда как этот расчет будет выполнен машиной за несколько секунд. Но как мы собираемся предсказать, сколько мы должны заплатить этому кандидату?

Ответ на это - машинное обучение, но как? Для этого мы должны выполнить три шага:

  1. Скажите машине, какую формулу использовать
  2. Обучите эту модель
  3. Мы можем использовать эту модель для предсказания.

Давайте немного сосредоточимся на втором пункте Обучение модели. Чтобы лучше понять это, давайте возьмем пример: мы, люди, очень умны, поскольку мы учимся на своем прошлом опыте, например, когда мы начинаем изучать математику, мы не становимся совершенными в первый же день. В первый день мы узнаем, что такое числа, затем мы учимся складывать и вычитать, затем мы изучаем деление и умножение и так далее. Нам требуются годы, чтобы освоиться с цифрами. Но как это возможно, как мы учимся и создаем такие удивительные вещи в мире? Основой этого является то, что мы учимся, повторяем, а затем снова учимся. Мы решаем несколько задач по математике и, наконец, достигаем подхода к решению задач. Это качество мы должны дать машине, чтобы заставить машину учиться на собственном опыте. Это то, что мы называем Машинное обучение.

Какой язык мы выбираем для изучения машинного обучения?

Python — один из самых известных языков, используемых в мире машинного обучения. Так как он прост в освоении и реализации. Это кроссплатформенный язык, что означает, что мы можем запускать один и тот же код Python в Windows, Linux или Mac.

Что такое Модель?

Рассмотрим тот же пример, если мы каким-то образом создадим шаблон в машине, чтобы она предсказывала, сколько заплатит кандидат с 2,5 годами опыта. Тогда это называется моделью машины. Кто будет создавать эту модель? Наша программа Python справится с этим.

Для выполнения этих задач необходимы следующие условия:

  1. Anaconda Distribution поставляется с Python и множеством библиотек для обработки данных.
  2. Инструмент виртуализации, такой как Vmware, Virtual Box
  3. РЕЛ 8
  4. Докер установлен на RHEL 8

База О.С. Я использую Windows, и там будет установлена ​​​​анаконда. Когда мы перейдем к интеграции модели машинного обучения с Docker, нам понадобится RHEL 8, который я установил на Virtual Box.

Что такое план?

  1. Запустите блокнот Jupyter.
  2. Имейте набор данных в своей рабочей области.
  3. Напишите код и протестируйте его.

Ссылка на GitHub, здесь вы найдете код.

https://github.com/AyushBhat822/machine-learning.git

Теперь мы интегрируем код с Docker

  1. Запустить виртуальную машину
  2. Установить Докер
  3. Запустить докер-сервисы

4. Запустите контейнер Centos последней версии, поскольку он поставляется с предварительно настроенным yum.

Внутри контейнера

1. Установите питон

2. Установите библиотеку scikit-learn

3. Установите библиотеку панд

4. Установите git

5. Клонируйте репозиторий с GitHub и получите набор данных.

6. Напишите код ML

7. Запустите код машинного обучения

Шаг 1:

Шаг 2:

Шаг 3.

Шаг 4:

Шаг 5.

Шаг 6:

Шаг 7:

Это была демонстрация простой модели линейной регрессии. Почему он так называется? Как и в этом наборе данных, мы пытались предсказать значение зарплаты, которое зависело от опыта.

Спасибо, что прочитали эту статью. Вот и все.