感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18228.html
全文共2754字，预计学习时长11分钟
图源：unsplash
就如同制作米其林菜肴，拥有井井有条的厨房固然重要，但可选择的东西太多也着实让人烦恼，建立良好的机器学习（ML）应用程序也是如此。
当然啦，如果你有其他更好的选择，也欢迎在评论区告诉小芯。
常见问题
“如何构建优秀的机器学习应用程序？”
与数据科学家、正在寻求转型的专业人员以及团队经理沟通的过程中，这个问题以各种形式多次出现。
交付专业数据科学项目涉及很多方面，实际上它在厨房做饭很相似：有原料（数据）、食谱（设计）、烹饪过程（独到的方法）、最后是实际的厨房（工具）。
势不可挡的可能性
这是最好的时代。如果在谷歌中搜索“机器学习工具”或咨询顾问，可能会得到以下信息：
2019数据&人工智能全景 | 图源：GIPHY
你能得到太多的工具，组合的可能性是无限的，这势不可挡，却也令人迷茫。你需要去缩小范围。但要注意的是，完美的安装依旧不存在，而这取决于用户的需求和限制条件。简而言之，最适合的才是最好的。
· 免费
· 工程大于研究
· 易于学习和安装
· 只要能完成工作就好
· 久经考验的（应用程度&工具成熟度）
· 在创业或大型企业被应用于大型或小型项目
图源：unsplash
冰箱: 数据库
PostgreSQL
这是一个免费的开源关系数据库管理系统（RDBMS），拥有可扩展性和技术标准合规性。它旨在处理各种工作负载，包括单台机器、数据仓库或拥有多个并发用户的Web服务。
图源：medium.com
备选方案: MySQL、SAS、IBM、DB2、Oracle、MongoDB、Cloudera、GCP、 AWS、Azure
厨房台面: 部署Pipeline工具
（https://towardsdatascience.com/build-full-stack-ml-12-hours-50c310fedd51）
Pytest
架构使编写小型测试变得容易，但需扩展之后，才支持针对应用程序和库的复杂功能测试。它节省了手动测试的大量时间，如果每次更改代码都需要测试某些东西，Pytest的自动化将会帮助到你。
备选方案: Unittest
Github
它提供了Git的分布式版本控制和源代码管理（SCM）功能，当然还包括自带的功能。它为每个项目提供访问控制和多种协作功能，例如功能请求、错误跟踪、任务管理和wikis。
备选方案: BitBucket, GitLab，DVC
PyCharm 社区版
这是一个在计算机编程中使用的集成开发环境（IDE），专门用于Python语言。它是由捷克JetBrains公司开发的，提供代码分析、图形调试器、集成的单元测试器与版本控制系统（VCS）集成，并支持使用Django进行Web开发以及使用Anaconda进行数据科学研发。
备选方案: Atom, Sublime
Heroku (仅当用户需要网络托管时)
图源：heroku.com
平台即服务（PaaS），使开发人员可以完全对应用程序进行云构建，云运行和云操作。与CircleCI和Github集成后也可以启用自动部署。
备选方案: Google App Engine, AWS Elastic Compute Cloud, others
Streamlit (仅在用户需要交互式UI时）
备选方案: Flask, Django, Tableau
CircleCi
CircleCI是一个持续集成和部署工具。当你将自己的项目提交到Github时，这一工具能使用远程docker创建一个自动化的测试工作流。任何未通过PyTest设置测试用例而提交的项目都会被Circle CI拒绝。这样可以确保代码质量，这点在于大团队合作时尤其重要。
备选方案: Travis CI, Jenkins,Github Action
the iPad: 探索工具
Streamlit (又见面了~)
别再留恋Jupyter Notebook了！
· 绞尽脑汁进行调试，但最终意识到自己忘记了从头开始运行代码；Streamlit可以解决这个问题。
· 总是需要等一会儿才能重新运行数据pipeline；Steamlit缓存可解决此问题。
· 不得不将代码从Jupyter重写或转换为可执行文件，还要在重新测试上花费时间；Streamlit提供了一个解决问题的快捷方式。
IDE+ Streamlit的实时更新 | 图源：towardsdatascience
备选方案: Jupyter Notebook、Anaconda、Spyder from、Microsoft Excel (认真脸！)
刀子: 机器学习架构
你应该根据食物和切割方式选择合适的刀具，比如通用刀和专用刀。
当心！尽管寿司专用刀更加亮丽，但使用专用刀将寿司切成块状将花费很长时间。要选择正确的工具来完成工作。
Sklearn (常见的机器学习使用案例)
这是在Python中进行通用机器学习的首选框架，有它就足够了。
图源：scikit-learn.org
备选方案: none、period.
Open AI Gym (强化学习使用案例)
这是一个开发和比较强化学习算法的工具包，它提供API和可视环境。许多社区都在争先为该领域构建工具，不过可用的完整安装包还不多。
备选方案：许多小型项目，但多数的维护工作都不如Gym。
PyTorch (深度学习使用案例)
这是一个基于Torch库的开源机器学习库。深度学习是此库重点，它主要用于计算机视觉和自然语言处理等应用。Torch主要由Facebook的人工智能研究实验室（FAIR）开发。最近，许多著名的人工智能研究机构，例如Open AI，都使用PyTorch作为其标准工具。
备选方案: Tensorflow、 Keras、Fast.ai
火炉: 实验管理
Atlas
这是一个免费工具，可让数据科学家使用一些摘要进行实验，将结果显示在基于Web的仪表板上。
Atlas 程序 | 图源：atlas.dessa.com
备选方案: ML Flow、Weights & Biases、Data Robot、SageMaker、Comet、Domino
一项小调查：寻找合适工具时最困扰大家的是什么？快去评论区里讲讲你的看法吧~
另一种观点
没有完美的安装，一切都取决于你的需求和限制条件。下图展示了另一种想法，也是关于何种工具可用以及它们如何一起工作。
谢尔盖·卡拉耶夫在2019年全栈深度学习中的演讲
迷你挑战
图源：unsplash
想要了解这些工具，最好的方法是找一个项目开始操作。你可以将这些工具合并到当前项目中，也可以进行一个12小时机器学习挑战。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18228.html
全文共2754字，预计学习时长11分钟
图源：unsplash
就如同制作米其林菜肴，拥有井井有条的厨房固然重要，但可选择的东西太多也着实让人烦恼，建立良好的机器学习（ML）应用程序也是如此。
当然啦，如果你有其他更好的选择，也欢迎在评论区告诉小芯。
常见问题
“如何构建优秀的机器学习应用程序？”
与数据科学家、正在寻求转型的专业人员以及团队经理沟通的过程中，这个问题以各种形式多次出现。
交付专业数据科学项目涉及很多方面，实际上它在厨房做饭很相似：有原料（数据）、食谱（设计）、烹饪过程（独到的方法）、最后是实际的厨房（工具）。
势不可挡的可能性
这是最好的时代。如果在谷歌中搜索“机器学习工具”或咨询顾问，可能会得到以下信息：
2019数据&人工智能全景 | 图源：GIPHY
你能得到太多的工具，组合的可能性是无限的，这势不可挡，却也令人迷茫。你需要去缩小范围。但要注意的是，完美的安装依旧不存在，而这取决于用户的需求和限制条件。简而言之，最适合的才是最好的。
· 免费
· 工程大于研究
· 易于学习和安装
· 只要能完成工作就好
· 久经考验的（应用程度&工具成熟度）
· 在创业或大型企业被应用于大型或小型项目
图源：unsplash
冰箱: 数据库
PostgreSQL
这是一个免费的开源关系数据库管理系统（RDBMS），拥有可扩展性和技术标准合规性。它旨在处理各种工作负载，包括单台机器、数据仓库或拥有多个并发用户的Web服务。
图源：medium.com
备选方案: MySQL、SAS、IBM、DB2、Oracle、MongoDB、Cloudera、GCP、 AWS、Azure
厨房台面: 部署Pipeline工具
（https://towardsdatascience.com/build-full-stack-ml-12-hours-50c310fedd51）
Pytest
架构使编写小型测试变得容易，但需扩展之后，才支持针对应用程序和库的复杂功能测试。它节省了手动测试的大量时间，如果每次更改代码都需要测试某些东西，Pytest的自动化将会帮助到你。
备选方案: Unittest
Github
它提供了Git的分布式版本控制和源代码管理（SCM）功能，当然还包括自带的功能。它为每个项目提供访问控制和多种协作功能，例如功能请求、错误跟踪、任务管理和wikis。
备选方案: BitBucket, GitLab，DVC
PyCharm 社区版
这是一个在计算机编程中使用的集成开发环境（IDE），专门用于Python语言。它是由捷克JetBrains公司开发的，提供代码分析、图形调试器、集成的单元测试器与版本控制系统（VCS）集成，并支持使用Django进行Web开发以及使用Anaconda进行数据科学研发。
备选方案: Atom, Sublime
Heroku (仅当用户需要网络托管时)
图源：heroku.com
平台即服务（PaaS），使开发人员可以完全对应用程序进行云构建，云运行和云操作。与CircleCI和Github集成后也可以启用自动部署。
备选方案: Google App Engine, AWS Elastic Compute Cloud, others
Streamlit (仅在用户需要交互式UI时）
备选方案: Flask, Django, Tableau
CircleCi
CircleCI是一个持续集成和部署工具。当你将自己的项目提交到Github时，这一工具能使用远程docker创建一个自动化的测试工作流。任何未通过PyTest设置测试用例而提交的项目都会被Circle CI拒绝。这样可以确保代码质量，这点在于大团队合作时尤其重要。
备选方案: Travis CI, Jenkins,Github Action
the iPad: 探索工具
Streamlit (又见面了~)
别再留恋Jupyter Notebook了！
· 绞尽脑汁进行调试，但最终意识到自己忘记了从头开始运行代码；Streamlit可以解决这个问题。
· 总是需要等一会儿才能重新运行数据pipeline；Steamlit缓存可解决此问题。
· 不得不将代码从Jupyter重写或转换为可执行文件，还要在重新测试上花费时间；Streamlit提供了一个解决问题的快捷方式。
IDE+ Streamlit的实时更新 | 图源：towardsdatascience
备选方案: Jupyter Notebook、Anaconda、Spyder from、Microsoft Excel (认真脸！)
刀子: 机器学习架构
你应该根据食物和切割方式选择合适的刀具，比如通用刀和专用刀。
当心！尽管寿司专用刀更加亮丽，但使用专用刀将寿司切成块状将花费很长时间。要选择正确的工具来完成工作。
Sklearn (常见的机器学习使用案例)
这是在Python中进行通用机器学习的首选框架，有它就足够了。
图源：scikit-learn.org
备选方案: none、period.
Open AI Gym (强化学习使用案例)
这是一个开发和比较强化学习算法的工具包，它提供API和可视环境。许多社区都在争先为该领域构建工具，不过可用的完整安装包还不多。
备选方案：许多小型项目，但多数的维护工作都不如Gym。
PyTorch (深度学习使用案例)
这是一个基于Torch库的开源机器学习库。深度学习是此库重点，它主要用于计算机视觉和自然语言处理等应用。Torch主要由Facebook的人工智能研究实验室（FAIR）开发。最近，许多著名的人工智能研究机构，例如Open AI，都使用PyTorch作为其标准工具。
备选方案: Tensorflow、 Keras、Fast.ai
火炉: 实验管理
Atlas
这是一个免费工具，可让数据科学家使用一些摘要进行实验，将结果显示在基于Web的仪表板上。
Atlas 程序 | 图源：atlas.dessa.com
备选方案: ML Flow、Weights & Biases、Data Robot、SageMaker、Comet、Domino
一项小调查：寻找合适工具时最困扰大家的是什么？快去评论区里讲讲你的看法吧~
另一种观点
没有完美的安装，一切都取决于你的需求和限制条件。下图展示了另一种想法，也是关于何种工具可用以及它们如何一起工作。
谢尔盖·卡拉耶夫在2019年全栈深度学习中的演讲
迷你挑战
图源：unsplash
想要了解这些工具，最好的方法是找一个项目开始操作。你可以将这些工具合并到当前项目中，也可以进行一个12小时机器学习挑战。
