python中使用websocket进行链接与数据存储

相关文章：R+python︱XGBoost极端梯度上升以及forecastxgb（预测）+xgboost（回归）双案例解读python︱sklearn一些小技巧的记录（训练集划分/pipelline/交叉验证等）GBDT一个藤上，进化的xgb以及lgb。比较好的几则练习代码：QLMX/data_mining_modelsAnfany/Machine-Learning-for-Beginner-by

医疗大模型的一些产品收集

第一篇主要把SHAP值的各类图表操作方式进行展示：机器学习模型可解释性进行到底 —— SHAP值理论（一）接下来主要围绕一篇文章的内容展开【黑盒模型实际上比逻辑回归更具可解释性】源代码部分：smazzanti/tds_black_box_models_more_explainable自己的测试代码：mattzheng/ml_interpretability非常有意思的一个案例，里面把SHAP值的解

大模型知识库的web api

大模型时代的模型运维与部署：LLMops

之前两篇有专门介绍shap值，可以说非常好用，机器学习模型可解释性进行到底 —— 从SHAP值到预测概率（二）机器学习模型可解释性进行到底 —— SHAP值理论（一）文章目录1 部分依赖图（Partial Dependence Plot)1.1 理论解读1.2 如何根据PDP 进行特征筛选2 个体条件期望图（Individual Conditional Expectation Plot)3skle

看到快手这篇文章，还开源了他们的KwaiSurvival，上手试了试：KwaiSurvival 是快⼿DA⾃主开发的基于深度学习框架的集成⽣存分析软件，帮助使⽤者在Python编程环境下⾼效地使⽤⽣存分析模型实现⼤规模的数据分析地址：https://github.com/kwaiDA/KwaiSurvival本篇主要是今天简单测试了之后的一些笔记记录，不知道他们组内的小伙伴看到这篇，会不会打我。。

文章目录1 mlflow Dockerfile2 训练模型3 对比模型4 打包模型5 模型部署6 模型inference调用mlflow的安装与使用，可以直接：pip install mlflow1 mlflow Dockerfile本来按照这个MLFlow教程（MLflow系列1：MLflow入门教程（Python）），找台机器跑起来没啥问题；不过，看到项目的github有Dockerfile那

cuML是一套用于实现与其他RAPIDS项目共享兼容API的机器学习算法和数学原语函数。cuML使数据科学家、研究人员和软件工程师能够在GPU上运行传统的表格ML任务，而无需深入了解CUDA编程的细节。 在大多数情况下，cuML的Python API与来自scikit-learn的API相匹配。对于大型数据集，这些基于GPU的实现可以比其CPU等效完成10-50倍。 有关性能的详细信息，请参阅..