awesome mlops Download - awesome mlops Source Code Download

awesome mlops

Anderer Quellcode

1.0.0

Herunterladen

Tolle Mlops

Eine kuratierte Liste fantastischer MLOPS -Tools.

Inspiriert von Awesome-Python.

Tolle Mlops
- Automl
- CI/CD für maschinelles Lernen
- Cron -Jobüberwachung
- Datenkatalog
- Datenanreicherung
- Datenexploration
- Datenverwaltung
- Datenverarbeitung
- Datenvalidierung
- Datenvisualisierung
- Drifterkennung
- Feature Engineering
- Feature Store
- Hyperparameterabstimmung
- Wissensaustausch
- Maschinelles Lernenplattform
- Model Fairness und Privatsphäre
- Modellinterpretierbarkeit
- Modelllebenszyklus
- Modelldienste
- Modelltests und Validierung
- Optimierungstools
- Vereinfachungswerkzeuge
- Visuelle Analyse und Debugging
- Workflow -Tools
Ressourcen
- Artikel
- Bücher
- Ereignisse
- Andere Listen
- Podcasts
- Locker
- Websites
Beitragen

Automl

Tools zur Durchführung von Automl.

Autogluon-Automatisches maschinelles Lernen für Bild-, Text-, Tabellen-, Zeitreihen- und Multimodaldaten.
Autokeras - AutoKeras -Ziel ist es, maschinelles Lernen für alle zugänglich zu machen.
AutopyTorch - Automatische Architektursuche und Hyperparameteroptimierung für Pytorch.
Autosklearn-Automatisches Toolkit für maschinelles Lernen und ein Drop-In-Ersatz für einen Scikit-Learn-Schätzer.
Evalml - Eine Bibliothek, die ML -Pipelines mithilfe domänenspezifischer Funktionen erstellt, optimiert und bewertet.
FLAML - Findet genaue ML -Modelle automatisch, effizient und wirtschaftlich.
H2O Automl - Automatisiert den ML -Workflow, der automatisches Training und Tuning von Modellen umfasst.
MindSdb - AI -Schicht für Datenbanken, mit denen Sie ML -Modelle mühelos entwickeln, trainieren und bereitstellen können.
MLBOX - MLBOX ist eine leistungsstarke Python -Bibliothek für maschinelles Lernen.
Modellsuche - Framework, das Automl -Algorithmen für die Modellarchitektursuche im Maßstab implementiert.
NNI - Ein Open Source -Automobil -Toolkit zum automatischen Lebenszyklus für maschinelles Lernen.

CI/CD für maschinelles Lernen

Tools zur Durchführung von CI/CD für maschinelles Lernen.

Clearml - Auto -Magical CI/CD, um Ihren ML -Workflow zu optimieren.
CML - Open -Source -Bibliothek zur Implementierung von CI/CD in maschinellen Lernprojekten.
KitOs - Open Source MLOPS -Projekt, das Modellhandoffs zwischen Datenwissenschaftlern und DevOps erleichtert.

Cron -Jobüberwachung

Tools zur Überwachung von Cron -Jobs (wiederkehrende Jobs).

Cronitor - Überwachen Sie einen Cron -Job oder eine geplante Aufgabe.
HealthChecksio - Einfache und effektive Überwachung von Cron -Jobs.

Datenkatalog

Tools für die Datenkatalogisierung.

Amundsen - Datenerfassung und Metadatenmotor zur Verbesserung der Produktivität bei der Interaktion mit Daten.
Apache Atlas - Bietet offene Metadatenmanagement- und Governance -Funktionen, um einen Datenkatalog zu erstellen.
CKAN - Open -Source -DMS (Datenverwaltungssystem) zum Stromversorgungsmittel und Datenportale.
DATAHUB - LinkedIns generalisiertes Metadaten -Such- und Erkennungs -Tool.
MAGDA - Ein föderierter Open -Source -Datenkatalog für alle Ihre Big -Data und kleinen Daten.
Metacat - Unified Metadata Exploration API -Dienst für Hive, RDS, Teradata, Redshift, S3 und Cassandra.
OpenMetadata - Ein einzelner Ort, um Ihre Daten zu entdecken, zusammenzuarbeiten und Ihre Daten richtig zu machen.

Datenanreicherung

Tools und Bibliotheken für die Datenanreicherung.

Schnorchel - Ein System zum schnellen Generieren von Trainingsdaten mit schwacher Überwachung.
UPGINI - Bereicherung Datensätze mit Funktionen aus öffentlichen und Community Shared Data Quellen.

Datenexploration

Tools zur Durchführung von Datenerforschung.

Apache Zeppelin - Ermöglicht datengesteuerte, interaktive Datenanalysen und kollaborative Dokumente.
Bamboolib - Eine intuitive GUI für Pandas -Datenframes.
DataPrep - Sammeln, reinigen und visualisieren Sie Ihre Daten in Python.
Google Colab - Hosted Jupyter Notebook -Dienst, für das kein Einrichten erforderlich ist.
Jupyter Notebook - Webbasierte Notebook -Umgebung für interaktives Computing.
JupyterLab - Die Benutzeroberfläche der nächsten Generation für Projekt Jupyter.
JupyText - Jupyter -Notizbücher als Markdown -Dokumente, Julia, Python oder R -Skripte.
PANDAS -Profilerstellung - Erstellen Sie HTML -Profiling -Berichte von Pandas DataFrame -Objekten.
Polynote - Das Polyglot -Notizbuch mit erstklassiger Scala -Unterstützung.

Datenverwaltung

Tools zur Durchführung von Datenverwaltung.

Arriko - Dead Simple, Ultra Fast Storage für die Hybrid Kubernetes -Welt.
Blazingsql - Ein leichter, gpu beschleunigter SQL -Motor für Python. Gebaut auf Rapids Cudf.
Delta Lake - Speicherschicht, die skalierbare Säuretransaktionen zu Apache -Funken und anderen Motoren bringt.
DOLT - SQL -Datenbank, die Sie wie ein Git -Repository wie ein Git -Repository gabeln, klon, abzahlen, verschmelzen, drücken und ziehen können.
DUD - Ein leichtes CLI -Tool zum Versioning von Daten neben Quellcode und Erstellung von Datenpipelines.
DVC - Verwaltung und Versionierung von Datensätzen und maschinellem Lernmodellen.
GIT LFS - Eine Open -Source -Git -Erweiterung für Versionen großer Dateien.
HUB - Ein Datensatzformat zum Erstellen, Speichern und Zusammenarbeit mit KI -Datensätzen in jeder Größe.
Einnahme - Ein leichter Satz von Tools zum Laden und Teilen von Daten in Datenwissenschaftsprojekten.
Lakefs - Wiederholbare, atomische und versionierte Datensee auf dem Objektspeicher.
Marquez - Sammeln, aggregieren und visualisieren Sie die Metadaten eines Datenökosystems.
MILVUS - Eine Open Source -Einbettungs -Vektor -Ähnlichkeitssuchmaschine, die von Faiss, NMSLIB und Ärger betrieben wird.
Pinecone - Managierte und verteilte Vektor -Ähnlichkeitssuche, die mit einem leichten SDK verwendet wird.
QDRANT - Eine Open -Source -Vektor -Ähnlichkeitssuchmaschine mit erweiterter Filterunterstützung.
Quilt - Ein selbstorganisierender Datenzentrum mit S3 -Unterstützung.

Datenverarbeitung

Tools im Zusammenhang mit Datenverarbeitung und Datenpipelines.

AirFlow - Plattform zum programmgesteuerten Autor, planen und überwachen Arbeitsabläufe.
Azkaban - Batch Workflow Job Scheduler bei LinkedIn, um Hadoop -Jobs zu leiten.
Dagster - Ein Datenorchestrator für maschinelles Lernen, Analysen und ETL.
Hadoop - Framework, das die verteilte Verarbeitung großer Datensätze über Cluster hinweg ermöglicht.
OpenRefine - Elektrowerkzeug zur Arbeit mit unordentlichen Daten und Verbesserung.
Spark - Unified Analytics Engine für die groß angelegte Datenverarbeitung.

Datenvalidierung

Tools im Zusammenhang mit der Datenvalidierung.

Cerberus - Leichte, erweiterbare Datenvalidierungsbibliothek für Python.
CleanLab-Python-Bibliothek für datenzentrierte KI und maschinelles Lernen mit chaotischen, realen Daten und Beschriftungen.
Großartige Erwartungen - Ein Python -Datenvalidierungs -Framework, mit dem Ihre Daten gegen Datensätze getestet werden können.
JSON -Schema - Ein Wortschatz, mit dem Sie JSON -Dokumente kommentieren und validieren können.
TFDV - Eine Bibliothek zum Erforschen und Validieren von Daten für maschinelles Lernen.

Datenvisualisierung

Tools für Datenvisualisierung, Berichte und Dashboards.

Graf-SQL/Drag-and-Drop-Abfrage- und Visualisierungstool basierend auf Notebooks.
Dash - Analytische Web -Apps für Python, R, Julia und Jupyter.
Data Studio - Berichtslösung für Power -Benutzer, die über die Daten und Dashboards von GA hinausgehen möchten.
Facetten - Visualisierungen zum Verständnis und Analysieren von Datensätzen für maschinelles Lernen.
Grafana - Multi -Plattform Open Source Analytics und interaktive Visualisierungswebanwendung.
Lux - schnelle und einfache Datenerforschung durch Automatisierung des Visualisierungs- und Datenanalyseprozesses.
Metabase - Der einfachste und schnellste Weg, um Business Intelligence und Analytics an alle zu bringen.
REDASH - Stellen Sie eine Verbindung zu einer beliebigen Datenquelle her, visualisieren, Dashboards und teilen Sie Ihre Daten.
Solidui - AI -generierte Visualisierungsprototyping- und Bearbeitungsplattform, unterstützen 2D- und 3D -Modelle.
Superset - Moderne Webanwendung für Unternehmen in der Business Intelligence.
Tableau - leistungsstarkes und am schnellsten wachsender Datenvisualisierungsinstrument, das in der Business Intelligence -Branche verwendet wird.

Drifterkennung

Tools und Bibliotheken im Zusammenhang mit der Drifterkennung.

Alibi Detect - Eine Open -Source -Python -Bibliothek, die sich auf Ausreißer, kontroverse und Drifterkennung konzentriert.
Frouros - Eine Open -Source -Python -Bibliothek zur Drifterkennung in maschinellen Lernsystemen.
Torchdrift - Eine Daten- und Konzept -Drift -Bibliothek für Pytorch.

Feature Engineering

Tools und Bibliotheken im Zusammenhang mit Feature Engineering.

Feature Engine - Feature Engineering Package mit sklearn -ähnlichen Funktionen.
Featuretools - Python Library für automatisierte Feature Engineering.
TSFRESH - Python -Bibliothek zur automatischen Extraktion relevanter Funktionen aus Zeitreihen.

Feature Store

Feature Store -Tools für Datenbereitstellungen.

Butterfree - Ein Werkzeug zum Baugeschäften. Verwandeln Sie Ihre Rohdaten in schöne Funktionen.
BYTEHUB-Ein benutzerfreundlicher Feature-Store. Optimiert für Zeitreihendaten.
Fest-End-to-End Open Source-Funktionen für maschinelles Lernen.
Feathr - ein Hochleistungsgeschäft mit Unternehmensklassen.
FeatureForm - Ein virtueller Feature -Store. Verwandeln Sie Ihre vorhandene Dateninfrastruktur in einen Feature -Store.
Tekton - Eine voll verwaltete Feature -Plattform, die so entwickelt wurde, dass sie den vollständigen Lebenszyklus von Funktionen orchestrieren.

Hyperparameterabstimmung

Werkzeuge und Bibliotheken zur Durchführung einer Hyperparameter -Abstimmung.

Berater - Open -Source -Implementierung von Google Wesir für Hyperparameter.
Hyperas - Eine sehr einfache Wrapper für eine bequeme Hyperparameteroptimierung.
Hyperopt - Verteilte asynchrone Hyperparameteroptimierung in Python.
Katib - Kubernetes -basiertes System zur Hyperparameter -Abstimmung und der Suche nach neuronalen Architektur.
Kerastuner-Einfach zu bedienender, skalierbarer Hyperparameteroptimierungsrahmen.
Optuna - Open Source Hyperparameter -Optimierungsrahmen zur automatisierenden Hyperparameter -Suche.
SCIKIT -Optimierung - Einfache und effiziente Bibliothek, um teure und laute Schwarzkastenfunktionen zu minimieren.
Talos - Hyperparameteroptimierung für Tensorflow, Keras und Pytorch.
Melodie - Python -Bibliothek zur Experimentierung und Hyperparameter -Abstimmung in jeder Skala.

Wissensaustausch

Tools zum Austausch von Wissen an das gesamte Team/Unternehmen.

Knowledge Repo - Wissensaustauschplattform für Datenwissenschaftler und andere technische Berufe.
KYSO - Ein Ort für Datenerkenntnisse, damit Ihr gesamtes Team aus Ihren Daten lernen kann.

Maschinelles Lernenplattform

Komplette Lösungen für maschinelles Lernen Plattform.

AIWARE - AIware hilft MLOPS -Teams, ML -Modelle auszuwerten, bereitzustellen, zu integrieren, zu skalieren und zu überwachen.
Algorithmie - regeln Ihren maschinellen Lernen mit einem gesunden ML -Lebenszyklus sicher.
Allegro AI - Transformation ML/DL -Forschung in Produkte. Schneller.
Bodywork - Bereits maschinelles Lernenprojekte in Python, in Kubernetes, entwickelt.
CNVRG-Eine End-to-End-Plattform für maschinelles Lernen zum Erstellen und Bereitstellen von KI-Modellen im Maßstab.
DAGSHUB - Eine Plattform, die auf Open -Source -Tools für Daten, Modell und Pipeline -Management basiert.
DataIKU - Plattform, der den Zugriff auf Daten demokratisieren und es Unternehmen ermöglichen, ihren eigenen Weg zur KI aufzubauen.
DATAROBOT-AI-Plattform, die die Datenwissenschaft demokratisiert und die End-to-End-ML in Skala automatisiert.
Domino - Ein Ort für Ihre Data Science Tools, Apps, Ergebnisse, Modelle und Wissen.
Randimpulse - Plattform zum Erstellen, Optimieren und Bereitstellen von AI/ML -Algorithmen für Kantengeräte.
Envd - Umgebung für maschinelles Lernen für die Entwicklung von Datenwissenschaft und KI/ML -Ingenieurteams.
FEDML - vereinfacht den Workflow des Federated Learning überall in jeder Skala.
Gradient - Multicloud CI/CD- und MLOPS -Plattform für maschinelle Lernteams.
H2O - Open -Source -Führer in AI mit der Mission, KI für alle zu demokratisieren.
Hopsworks - Open -Source -Plattform zum Entwicklung und Betrieb von Modellen für maschinelles Lernen im Maßstab.
Iguazio-Data Science-Plattform, die Mlops mit End-to-End-Pipelines automatisiert.
Katonic - Automatisieren Sie Ihren Intelligenzzyklus mit der Katonic Mlops -Plattform.
Knime - Erstellen und Produktion von Datenwissenschaft mit einer einfachen und intuitiven Umgebung.
Kubeflow - Bereitstellung von ML -Workflows auf Kubernetes einfach, tragbar und skalierbar.
Lynxkite - Eine vollständige Plattform für die Data Science -Plattform von Graph Data Science für sehr große Grafiken und andere Datensätze.
ML Workspace-All-in-One-webbasiertes IDE Spezialisiert für maschinelles Lernen und Datenwissenschaft.
MLREEF - Open Source MLOPS -Plattform, mit der Sie Ihre ML -Arbeit zusammenarbeiten, reproduzieren und teilen können.
MODZY - ML -Modelle (maschinelles Lernen) im Unternehmen und am Rande einsetzen, verbinden, ausführen und überwachen.
Neu.ro-MLOPS-Plattform, die Open-Source- und proprietäre Tools in kundenorientierte Systeme integriert.
Omnimizer - vereinfacht und beschleunigt Mlops, indem die Lücke zwischen ML -Modellen und Kantenhardware überbrückt.
Pachyderm-kombiniert die Datenlinie mit End-to-End-Pipelines auf Kubernetes, die für das Unternehmen konstruiert wurden.
Polyaxon - Eine Plattform für reproduzierbare und skalierbare maschinelle Lernen und tiefes Lernen auf Kubernetes.
SAGEMAKER - Vollständiger Service, der die Möglichkeit bietet, ML -Modelle schnell zu bauen, zu trainieren und einzusetzen.
SAS VIYA - Cloud Native KI-, Analytik- und Datenmanagementplattform, die den Lebenszyklus der Analytics unterstützt.
Sematic-Ein Open-Source-End-to-End-Pipelining-Tool, das in kürzester Zeit vom Laptop-Prototyp zu Wolken wechselt.
Sigopt - eine Plattform, die es einfach macht, Läufe zu verfolgen, das Training zu visualisieren und die Hyperparameter -Tuning zu skalieren.
ERFOUNDRY - Eine Cloud -native MLOPS -Plattform über Kubernetes zur Vereinfachung des Trainings und der Dienste von ML -Modellen.
Valohai - führt Sie von POC zur Produktion und verwaltet das gesamte Modelllebenszyklus.

Model Fairness und Privatsphäre

Tools zur Ausführung von Modell Fairness und Privatsphäre in der Produktion.

AIF360 - Eine umfassende Reihe von Fairness -Metriken für Datensätze und maschinelles Lernen.
FAIRLEARN - Ein Python -Paket zur Bewertung und Verbesserung der Fairness maschineller Lernmodelle.
OPACUS - Eine Bibliothek, die es ermöglicht, Pytorch -Modelle mit unterschiedlicher Privatsphäre zu schulen.
TensorFlow Privacy - Bibliothek für Schulungsmodelle für maschinelles Lernen mit Datenschutz für Schulungsdaten.

Modellinterpretierbarkeit

Tools zur Ausführung von Modellinterpretierbarkeit/Erklärung.

Alibi - Open -Source -Python -Bibliothek, die ML -Modellinspektion und -interpretation ermöglicht.
Captum - Modellinterpretierbarkeit und Verständnis der Bibliothek für Pytorch.
ELI5 - Python -Paket, mit dem Klassifizierer des maschinellen Lernens debuggen und ihre Vorhersagen erklärt.
InterpretMl - Ein Toolkit, um das Verständnis von Modellen zu verstehen und verantwortungsbewusstes maschinelles Lernen zu ermöglichen.
Kalk - Erklären Sie die Vorhersagen eines Klassifikators für maschinelles Lernen.
Lucid - Sammlung von Infrastruktur und Tools für die Forschung in der Interpretierbarkeit neuronaler Netzwerke.
Salbei - zur Berechnung der globalen Merkmals Bedeutung mithilfe von Shapley -Werten.
SHOP - Ein theoretischer Ansatz, der die Ausgabe eines maschinellen Lernmodells erklärt.

Modelllebenszyklus

Tools zum Verwalten des Modelllebenszyklus (Tracking -Experimente, Parameter und Metriken).

Aeromancy - Ein Rahmen zur Durchführung reproduzierbarer KI und ML für Gewichte und Verzerrungen.
AIM - Eine super einfache Möglichkeit, 1000er ML -Trainingsläufe aufzunehmen, zu suchen und zu vergleichen.
Kaskade - Bibliothek von ML -Engineering -Tools für schnelle Prototypen und Experiment -Management.
COMET - Verfolgen Sie Ihre Datensätze, Codeänderungen, Experimentierverlauf und Modelle.
Guild AI - Open Source -Experiment -Tracking, Pipeline -Automatisierung und Hyperparameterabstimmung.
Keepsake - Versionskontrolle für maschinelles Lernen mit Unterstützung für Amazon S3 und Google Cloud Storage.
Losswise - erleichtert es einfach, den Fortschritt eines maschinellen Lernprojekts zu verfolgen.
MLFlow - Open Source -Plattform für den Lebenszyklus für maschinelles Lernen.
ModelDB - Open Source ML Model Versioning, Metadaten und Experimentmanagement.
Neptune AI - Das leichte Experiment -Management -Tool, das zu jedem Workflow passt.
Heilig - Ein Werkzeug, mit dem Sie Experimente konfigurieren, organisieren, protokollieren und reproduzieren können.
Gewichte und Vorurteile - Ein Werkzeug zur Visualisierung und Verfolgung Ihrer Experimente für maschinelles Lernen.

Modelldienste

Werkzeuge zum Servieren von Modellen in der Produktion.

BANANA - Hostieren Sie Ihren ML -Inferenzcode im serverlosen GPUs und integrieren Sie ihn mit einer Codezeile in Ihre App.
Strahl - Entwickeln Sie sich auf serverlosen GPUs, bereitstellen hochdarstellende APIs und schnell Prototypen -ML -Modelle.
Bentoml-Open-Source-Plattform für Hochleistungs-ML-Modell.
BudgetML - Bereitstellen eines ML -Inferenzdienstes mit einem Budget in weniger als 10 Codezeilen.
COG-Open-Source-Tool, mit dem Sie ML-Modelle in einem standardmäßigen, produktionsbereiten Container verpacken können.
Cortex - maschinelles Lernenmodell, das Infrastruktur bedient.
Geniusrise - Hostinferenz -APIs, Masseninferenz und feiner Melodie -Text, Vision, Audio und multimodale Modelle.
Gradio - Erstellen Sie anpassbare UI -Komponenten um Ihre Modelle.
Graphpipe - Modellbereitstellung für maschinelles Lernen einfach gemacht.
Hydrosphere - Plattform für die Bereitstellung Ihres maschinellen Lernens für die Produktion.
KFSERVING - Kubernetes benutzerdefinierte Ressourcendefinition zum Servieren von ML -Modellen in willkürlichen Frameworks.
LOCALAI - Drop -In -Ersatz -REST -API, die mit den OpenAI -API -Spezifikationen für die Inferenz kompatibel ist.
Merlin - Eine Plattform zum Bereitstellen und Servieren von Modellen für maschinelles Lernen.
MLEM - Version und Bereitstellung Ihrer ML -Modelle nach Gitops -Prinzipien.
Opyrator - verwandelt Ihren ML -Code mit Web -API, interaktiver GUI und mehr in Microservices.
Predictionio - Ereignissammlung, Bereitstellung von Algorithmen, Bewertung, Abfragen von Vorhersageergebnissen über APIs.
Quix - Serverlose Plattform zum Verarbeiten von Datenströmen in Echtzeit mit maschinellem Lernmodellen.
Rune - Stellt Container zur Einkapselung und Bereitstellung von Edgeml -Pipelines und -Anwendungen bereit.
Seldon - Nehmen Sie Ihre ML -Projekte von POC bis zur Produktion mit maximaler Effizienz und minimaler Risiko.
Mit Streamlit - Erstellen Sie Apps für Ihre ML -Projekte mit täuschend einfachen Python -Skripten.
Tensorflow Serving - Flexible Hochleistungs -Serviersystem für ML -Modelle, die für die Produktion ausgelegt sind.
TorchServe - Ein flexibles und einfach zu verwendendes Werkzeug zum Servieren von Pytorch -Modellen.
Triton Inference Server - Bietet eine optimierte Cloud- und Kantenausführungslösung.
Vespa - Speichern, suchen, organisieren und machen Sie maschinell gelernte Schlussfolgerungen über Big Data zum Servieren.
Wallaroo.ai - Eine Plattform zum Bereitstellen, Servieren und Optimieren von ML -Modellen in Cloud- und Kantenumgebungen.

Modelltests und Validierung

Tools zum Testen und Validieren von Modellen.

DeepChecks - Open -Source -Paket zur Validierung von ML -Modellen und -Daten mit verschiedenen Überprüfungen und Suiten.
STARWALE - Eine Mlops/LLMOPS -Plattform für Modellbildung, Bewertung und Feinabstimmung.
Trubriken - Validieren Sie maschinelles Lernen mit Datenwissenschafts- und Domänen -Experten -Feedback.

Optimierungstools

Optimierungstools im Zusammenhang mit Modellskalierbarkeit in der Produktion.

Beschleunigen-eine einfache Möglichkeit, Pytorch-Modelle mit Multi-GPU, TPU, gemischter Präzision zu trainieren und zu verwenden.
DASK - Bietet eine erweiterte Parallelität für die Analytik und ermöglicht die Leistung in Skala für die Tools, die Sie lieben.
DeepSpeed - Deep Learning Optimization Library, die das verteilte Training einfach, effizient und effektiv macht.
Faser - Python Distributed Computerbibliothek für moderne Computercluster.
HOROVOD - Verteilte Deep Learning Training Framework für Tensorflow, Keras, Pytorch und Apache MXNET.
MAHOUT - verteiltes lineares Algebra -Framework und mathematisch ausdrucksstarker Scala DSL.
MLLIB - Apache Sparks skalierbare Bibliothek für maschinelles Lernen.
Modin - Beschleunigen Sie Ihre Pandas -Workflows, indem Sie eine einzelne Codezeile ändern.
Nebullvm-einfach zu bedienende Bibliothek, um eine Inferenz zu steigern.
NOS - Open -Source -Modul zum Ausführen von KI -Workloads auf Kubernetes auf optimierte Weise.
Petastorm - Ermöglicht ein einzelnes Maschinen- oder verteilte Schulung und Bewertung von Deep -Learning -Modellen.
Rapids-gibt die Möglichkeit, End-to-End-Datenwissenschafts- und Analyse-Pipelines vollständig auf GPUs auszuführen.
Ray - Schneller und einfacher Rahmen für das Erstellen und Ausführen von verteilten Anwendungen.
Singa - Apache Top Level Project, das sich auf das verteilte Training von DL- und ML -Modellen konzentriert.
TPOT - automatisiertes ML -Tool, das maschinelle Lernpipelines mithilfe genetischer Programmierung optimiert.

Vereinfachungswerkzeuge

Tools im Zusammenhang mit der Vereinfachung und Standardisierung des maschinellen Lernens.

Chassis - verwandelt Modelle in ML -freundliche Behälter, die fast überall laufen.
Hermine - Helfen Sie den Datenwissenschaftlern, auf schnellere und einfachere Weise mehr organisierte Codes einzurichten.
Hydra - Ein Framework für die elegant konfigurierte Konfiguration komplexer Anwendungen.
Koalas - Pandas -API auf Apache Spark. Macht Datenwissenschaftler bei der Interaktion mit Big Data produktiver.
Ludwig - Ermöglicht Benutzern, Deep -Learning -Modelle zu trainieren und zu testen, ohne Code zu schreiben.
Mlnotify - Sie müssen Ihr Training nicht weiter überprüfen, nur eine Einfuhrlinie, und Sie werden wissen, dass es zweite ist.
Pycaret - Open Source, Low -Code -Bibliothek für maschinelles Lernen in Python.
Sagify - Ein CLI -Dienstprogramm zum Training und Bereitstellen von ML/DL -Modellen auf AWS Sagemaker.
Soopervisor - ML -Projekte exportieren in Kubernetes (Argo -Workflows), Luftstrom, AWS -Batch und Slurm.
Soorgeon - Umwandle monolithische Jupyter -Notizbücher in wartbare Pipelines.
Traingenerator - Eine Web -App zum Generieren von Vorlagencode für maschinelles Lernen.
Turi Create - vereinfacht die Entwicklung von maschinellen Lernmodellen.

Visuelle Analyse und Debugging

Tools zur visuellen Analyse und Debuggen von ML/DL -Modellen.

Aporia - Beobachtbarkeit mit maßgeschneiderter Überwachung und Erklärung für ML -Modelle.
ARIZE-Eine kostenlose End-to-End-ML-Beobachtbarkeits- und Modellüberwachungsplattform.
Offensichtlich - Interaktive Berichte zur Analyse von ML -Modellen während der Validierung oder der Produktionsüberwachung.
Fiddler - Überwachen, erklären und analysieren Ihre KI in der Produktion.
Vielfalt - ein Modell -agnostisches visuelles Debugging -Tool für maschinelles Lernen.
Nannyml - Algorithmus, mit dem die Auswirkungen der Datendrift auf die Leistung vollständig erfasst werden können.
NETRON - Visualizer für neuronale Netzwerk-, Deep -Learning- und maschinelles Lernmodelle.
OPIK - LLM -Anwendungen mit einer Reihe von Beobachtbarkeitstools bewerten, testen und versenden.
Phoenix - MLOPS in einem Notebook zur Fehlerbehebung und feinstimmenden generativen LLM-, CV- und tabellarischen Modellen.
Radicalbit - Die Open -Source -Lösung zur Überwachung Ihrer KI -Modelle in der Produktion.
Superweise-Vollautomatisierte Modellbeobachtbarkeit der Unternehmensgrade in einer SaaS-Plattform für Selbstbedienung.
WhyLogs - Der Open -Source -Standard für die Datenprotokollierung. Ermöglicht die Überwachung und Beobachtbarkeit von ML.
Yellowbrick - Visuelle Analyse und diagnostische Tools zur Erleichterung des Modells für maschinelles Lernen.

Workflow -Tools

Tools und Frameworks zum Erstellen von Workflows oder Pipelines im Kontext des maschinellen Lernens.

ARGO - Open Source Container -native Workflow -Engine zum Orchestrieren paralleler Jobs auf Kubernetes.
AUTOMATE STUDIO - Erstellen und Bereitstellen von AI -betriebenen Workflows.
Couler - Unified Interface zum Konstruktion und Verwalten von Workflows in verschiedenen Workflow -Motoren.
DSTACK - Ein Open -Core -Tool zur Automatisierung von Daten und Schulungsworkflows.
Flyte - Einfach zu erstellen gleichzeitige, skalierbare und wartbare Workflows für maschinelles Lernen.
HAMILTON - Ein skalierbarer Micro -Framework für allgemeine Zwecke zur Definition von Datenflows.
Kale - Ziel, die Datenwissenschaftserfahrung der Bereitstellung von Kubeflow -Pipelines -Workflows zu vereinfachen.
Kedro - Bibliothek, die Software Engineering Best -Practice für Daten- und ML -Pipelines implementiert.
Luigi - Python -Modul, mit dem Sie komplexe Pipelines von Batch -Jobs aufbauen können.
METAFLOW - Human -freundliche LiB, die Wissenschaftlern und Ingenieuren hilft, Datenwissenschaftsprojekte aufzubauen und zu verwalten.
MLRUN - Generischer Mechanismus für Datenwissenschaftler, um ML -Aufgaben und -Pipelines zu erstellen, auszuführen und zu überwachen.
Orchest - Visual Pipeline Editor und Workflow Orchestrator mit einer einfach zu verwendenden Benutzeroberfläche und basierend auf Kubernetes.
PLOOMBER - Schreiben Sie Wardierbare, produktionsbereite Pipelines. Entwickeln Sie lokal und stellen Sie in der Cloud bereit.
Präfekt - Ein Workflow -Management -System, das für die moderne Infrastruktur entwickelt wurde.
VDP - Ein Open -Source -Tool, mit dem KI für unstrukturierte Daten nahtlos in den modernen Datenstapel integriert werden kann.
Wordware-Eine Web-veranstaltete IDE, in der nicht-technische Domänenexperten aufgabenspezifische AI-Agenten erstellen können.
ZENML - Ein erweiterbares Open -Source -Mlops -Framework zum Erstellen reproduzierbarer Pipelines.

Ressourcen

Wo kann man neue Tools entdecken und über vorhandene diskutieren.

Artikel

Eine Tour durch End-to-End-Plattformen für maschinelles Lernen (Datenbank)
Kontinuierliche Lieferung für maschinelles Lernen (Martin Fowler)
Liefern Sie die Vision von MLOPS: Ein reifbasierter Ansatz (Gigaom)
Operationen für maschinelles Lernen (MLOPS): Überblick, Definition und Architektur (ARXIV)
MLOPS Roadmap: Ein kompletter MLOPS -Karriereführer (Scaler Blogs)
MLOPS: kontinuierliche Liefer- und Automatisierungsleitungen im maschinellen Lernen (Google)
MLOPS: Maschinelles Lernen als technische Disziplin (Medium)
Regeln des maschinellen Lernens: Best Practices für ML Engineering (Google)
Der ML -Testwert: Eine Rubrik für die ML -Produktionsbereitschaft und die technische Schuldenreduzierung (Google)
Was ist Mlops? (Nvidia)