Jeff Hansen & Arvin Paredes

408-657-9837

Downtown San Jose Condo & Townhouse Living

Modele shinyon

Ici, les applications brillantes sont incorporées dans des pages HTML pour illustrer certains concepts de base en pharmacométrie. RStudio a récemment annoncé le paquet réticulées, qui est conçu pour aider les utilisateurs de R inter-fonctionner avec le code Python. J`ai été immédiatement excité par cette annonce. Dans une vie passée, j`ai travaillé avec une équipe au laboratoire national d`énergie renouvelable (NREL) sur les simulations de véhicules. Leurs modèles pourraient prédire MPG pour les véhicules basés sur des itinéraires de conduite. À l`époque, j`avais voulu construire une application Web qui permettrait aux utilisateurs de prédire MPG pour différents véhicules en fonction de leurs trajets quotidiens. Malheureusement, le modèle a été écrit en Python, mais mon expérience d`application Web a été limitée à Shiny. Je ne voulais pas réécrire le modèle dans R, pas plus que j`ai eu le temps d`apprendre un cadre web pythonique. Rien n`est venu de l`idée…

jusqu`à aujourd`hui *! Comme toute application brillante, une application brillante réticulé doit être déployée pour que les autres puissent tirer parti de l`application. les applications brillantes réticulés peuvent être déployées comme des applications brillantes régulières, mais veillez à ce que le serveur de déploiement ait le même environnement Python. En utilisant reticulate, j`ai pu facilement construire une application brillante qui utilisait le code python de mon collègue. J`ai également utilisé le client Google Maps API de Python. Alors que les packages R existent pour fonctionner avec Google Maps, le client python est maintenu par Google et est simple d`accès avec reticulate. Shiny est un bon moyen de démo de votre modèle de machine learning ou de soumettre votre défi machine learning afin que d`autres peuvent rapidement télécharger des données de test et d`être étonné par votre modèle agréable. Dans ce cahier, nous allons construire une régression logistique régularisée qui prédit si les puces d`une usine de fabrication passe l`assurance de la qualité (QA). Pendant l`AQ, chaque micropuce passe par divers tests pour s`assurer qu`il fonctionne correctement.

Supposons que vous êtes le chef de produit de l`usine et vous avez les résultats des tests pour quelques puces sur deux tests diffeerent. À partir de ces deux tests, vous voulez déterminer si les puces doivent être acceptées ou rejetées. Ensuite, nous allons enregistrer le modèle et construire une application brillante et tester l`application en téléchargeant les données de test. Enfin, nous allons télécharger les données que nous avons téléchargées avec des prédictions en utilisant le modèle machine learning nous BUIT ci-dessous. Les données proviennent de la célèbre machine learning coursera course par Andrew ng. Les données peuvent être téléchargées à partir d`ici. Ce post couvre quelques détails et des conseils pour l`utilisation reticulate, et la création de applications brillantes réticulé. Autres arguments transmis à rxShiny.

Actuellement ne fait rien. L`accès au modèle FASTSim de NREL utilisé dans cette démo est disponible ici. L`application Shiny a été développée indépendamment par RStudio comme une démo en utilisant le modèle FASTSim disponible gratuitement. La demande n`a pas été rédigée conjointement avec le laboratoire national des énergies renouvelables (NREL), et la demande n`est pas approuvée par la NREL.

Comments are closed.