blog_ds MLops
Initializing search
    • Home
    • 1 tools
    • 2 data
    • 4 Statistics
    • 5 MachineLearning
    • 7 DeepLearning
    • Ds实践系列
    • 业务专题
    • Home
      • 1.常用操作系统
      • 2 包管理工具pip
      • 1. conda 环境管理
      • 2. 终端IDE
      • 3.vim 配置
      • Jupyter
      • crontab
      • docker
      • git
      • python-ssh
      • 前沿study
      • 有用的网址&小工具
        • @数据可视化概述
        • 基于R的
        • matplotlib
        • Python seaborn
        • superset
        • 1.直接抓取网页
        • 【package】selenium
        • 公开微观数据库 1.0
        • BI工具
        • 增强分析
        • 多维分析
        • 自动数据见解
      • 【TOC】统计学
      • 假设检验
      • 分类变量的推断
      • 参数估计 样本量的确定
      • 参数估计的基本原理
      • 相关系数
      • 方差分析
      • 1. 离散型统计分布
      • 生物统计 生存分析
      • 非参数检验
        • Ab test
        • Interleaving介绍
        • 实验设计
        • 抽样技术
        • 调查问卷的信度、效度
        • @因果推断
        • 课程
        • Shap
        • Uplift
        • 【读书笔记】为什么:关于因果关系的新科学
        • 【读书笔记】别拿相关当因果
        • 因果分析
        • 因果效应估计方法
        • do why
        • econML
        • 3.【解释性】LIME
      • 0 模型可解释性
      • HMM
      • Page rank
      • 【导航】机器学习
      • 因子分析
      • 学习理论
      • 模型效果评估
      • 模型管理与服务
      • 知识图谱
        • MLops
        • airflow
        • Feature tools
        • pycaret
        • python-pptx
        • Streamlit
        • 前端展现相关
        • 参数调优
        • dolphinscheduler
        • 案例
        • 模型部署
        • 一.综述
        • 规则引擎
        • 推荐系统的逻辑框架
        • FM 系列
        • Faiss
        • Embedding
        • 【推荐系统】章1 基本介绍
        • 【推荐系统】章2 利用用户行为数据
        • 原理篇——深度学习
        • 原理篇——近邻推荐
        • 原理篇——矩阵分解
        • 原理篇——关于冷启动
        • 学习资料
        • 【工具篇】deepCTR
        • 工程篇——常见架构
        • 序列-推荐
        • 最新技术
        • 综述
        • tool-多元数据-Pyod
        • tool-时间序列-工具使用
        • 【异常检测1】无监督-多元数据
        • 【异常检测2】时间序列
        • 知识发现
        • @分类模型
        • CatBoost
        • K近邻 —— 非参模型
        • lightgbm
        • xgboost
        • 决策树
        • 支持向量机SVM
        • 1. logistic回归&最大熵模型
        • 集成学习
        • 聚类
        • 聚类Tools篇
        • 聚类效果评价
        • 数据预处理
        • 特征处理—特征选择
        • 特征处理—降维
        • 1样本不均衡
        • 4.2 回归与分类
        • 回归模型
        • 时序预测tools
        • 2.时间序列预测模型
        • 时间序列
        • Interday Forecasting and Intraday Updating of Call Center Arrivals
      • MMLab
      • 【数据增强】
      • opencv
      • 工具篇
      • 深度学习-开源图片数据库
      • 训练常见问题
        • 【工具】MMlab—mmaction
        • 【工具】MMlab—mmdetection
        • 【工具】slowfast
        • 行为识别-数据集&工具
        • 综述_action recognition
        • 综述_pose_estimation
        • 【目标检测】
        • 【案例】
        • TF1.0-slim 图像识别模型—— 1.利用已有的进行微调
        • 综述
        • 训练数据少-
        • optical flow 光流
        • 人脸表情识别 FER
        • 图像检索:BoF、VLAD、FV三剑客
        • Face综述
        • face_recgnization
        • N gram
        • Attention Mechanism
        • review 发展
        • Bert
        • 分词
        • 文本分类 原理篇
        • 文本分类 实践
        • 4.8 自适应的基函数——神经网络
        • 4.9 深度学习综述
        • @深度学习
        • Drawing 2022 05 13 17.30.47.excalidraw
        • 【NG-DL】course2_week1 优化网络参数
        • 基础概念
        • 平台相关
        • 强化学习
        • 神经网络解释性问题
        • 【迁移学习】
          • 图网络
          • 第一章 引言
          • 第七章 正则化
          • 第三章 概率与信息论
          • 第二章 线性代数
          • 第五章 机器学习
          • 第八章 深度模型中的优化
          • 第六章 深度前馈网络
          • 第四章 数值计算
          • TF2.0
          • 资料
          • 【TensorFlow】week1
        • 【综述】
      • 【TOC】导论
      • 方法梳理——关于综述
      • 如何选择入门资料
        • 【导读】
        • 安全
        • 指标异动分析
        • 案例 关于长点击阈值划分方法
        • 案例 指标阈值 rank搜索
        • 案例 生态指标
        • sequence cluster
        • 工具
        • 0.综述
        • 1.trajectory preprocessing
        • 轨迹分析 2 轨迹相似性度量
        • 3. 轨迹聚类综述
        • CATS
        • 应用案例
        • 4.轨迹学习and activity understanding

    MLops

    mlops相关
    https://github.com/tencentmusic/cube-studio

    feature

    featureOps https://mp.weixin.qq.com/s/9X312y7PYgM4h3BY4iL6bg
    https://github.com/4paradigm/OpenMLDB/blob/main/README_cn.md
    文档教程 https://docs.openmldb.ai/

    上一页 知识图谱
    下一页 airflow
    Made with Material for MkDocs