Cara menggunakan mlops python library

Bahasa pemrograman memberi . Namun, adakalanya keterbatasan-baik waktu maupun tenaga-yang membuat bahasa pemrograman menjadi tak optimal ketika berada di tangan kita.

Komunitas developer bahu membahu untuk saling mempermudah pekerjaan satu sama lain. Maka, beberapa programmer berinisiatif membuat kumpulan code yang terdokumentasi dalam satu library. Dengan library, setiap developer bisa mengerjakan tugas dengan lebih mudah tanpa perlu membangun dari awal.

Library Python

Fungsi Python dalam luasnya semesta pengembangan produk terbantu oleh kehadiran komunitas yang membangun banyak library. Mulai dari analisis dan tabulasi data, machine learning, artificial intelligence, hingga computer vision, memiliki masing-masing library siap pakai.

Komunitas developer bahu membahu untuk saling mempermudah pekerjaan satu sama lain. Maka, beberapa programmer berinisiatif membuat kumpulan code yang terdokumentasi dalam satu library. Dengan library, setiap developer bisa mengerjakan tugas dengan lebih mudah tanpa perlu membangun dari awal.

Mengelola Data

Pandas dan Numpy adalah kawan karib analis data mazhab Python. Kedua library ini mampu mengunduh, mengklasifikasi, hingga mengolah dalam perhitungan kompleks seperti Machine Learning.

Machine Learning dan Artificial Intelligence

Selain Pandas dan Numpy yang jadi bahan baku pokok, komunitas Python mengandalkan library macam Matplotlib, Tensorflow, dan Keras.

Analisis Teks

Natural Language Processing (NLP) didominasi jagoan Python dengan kemampuan khusus menganalisis teks dan meramu rumusan tertentu pada teks.

Computer Vision dan Audio Analysis

Library Python di bidang ini mampu memindai gambar dan audio menjadi sebuah kumpulan data.

Memasang dan Menggunakan Library

Library harus diinstall dalam sistem, baru kemudian dicantumkan ke file pemrograman. Folder library harus terpasang di Terminal. Tujuannya, agar setiap pengerjaan yang membutuhkan library terkait dapat langsung bekerja tak perlu menghadapi error.

Untuk mencobanya, buka terminal dan ketik perintah penginstalan. Berikut contoh perintah yang dicantumkan untuk menginstal pandas.

pip install pandas

Di dalam Python, pemasangan library berada di paling awal dokumen file baru diikuti kodenya. Misal kita akan menggunakan Pandas, maka harus didahului oleh kode seperti ini.

import pandas as pd
from pandas import read_csv

df = pd.read_csv("/Users/user/Documents/Code Learning/Python/train.csv")

Perintah

Setiap library memiliki kelas dan fungsi yang berbeda satu sama lain. Meski masih berada dalam naungan bahasa Python, diwajibkan membaca dengan teliti daftar fungsi setiap library yang hendak digunakan.

Code which demonstrates how to set up and operationalize an MLOps flow leveraging Azure Machine Learning and Azure DevOps.

CI:

CD:

MLOps will help you to understand how to build a Continuous Integration and Continuous Delivery pipeline for an ML/AI project. We will be using the Azure DevOps Project for build and release/deployment pipelines along with Azure ML services for model retraining pipeline, model management and operationalization.

This template contains code and pipeline definitions for a machine learning project that demonstrates how to automate an end to end ML/AI workflow.

Architecture and Features

Architecture Reference: Machine learning operationalization (MLOps) for Python models using Azure Machine Learning

This reference architecture shows how to implement continuous integration (CI), continuous delivery (CD), and retraining pipeline for an AI application using Azure DevOps and Azure Machine Learning. The solution is built on the scikit-learn diabetes dataset but can be easily adapted for any AI scenario and other popular build systems such as Jenkins and Travis.

The build pipelines include DevOps tasks for data sanity tests, unit tests, model training on different compute targets, model version management, model evaluation/model selection, model deployment as realtime web service, staged deployment to QA/prod and integration testing.

Prerequisite

• Active Azure subscription
• At least contributor access to Azure subscription

Getting Started

To deploy this solution in your subscription, follow the manual instructions in the getting started doc. Then optionally follow the guide for integrating your own code with this repository template.

Repo Details

You can find the details of the code and scripts in the repository here

References

• Azure Machine Learning (Azure ML) Service Workspace
• Azure ML CLI
• Azure ML Samples
• Azure ML Python SDK Quickstart
• Azure DevOps

Contributing

This project welcomes contributions and suggestions. Most contributions require you to agree to a Contributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us the rights to use your contribution. For details, visit https://cla.microsoft.com.

When you submit a pull request, a CLA-bot will automatically determine whether you need to provide a CLA and decorate the PR appropriately (e.g., label, comment). Simply follow the instructions provided by the bot. You will only need to do this once across all repos using our CLA.

This project has adopted the Microsoft Open Source Code of Conduct. For more information see the Code of Conduct FAQ or contact [email protected] with any additional questions or comments.