SPEREMLIT هو إطار عمل قوي مفتوح المصدر يسمح لك بإنشاء تطبيقات الويب لعلوم البيانات و التعلم فقط مع خطوط قليلة من رمز بيثون.

الأمر بسيط وبديهي ، و

لا يتطلب أي تجربة مقدمة ، مما يجعلها أداة رائعة لكل من المبتدئين والمطورين ذوي الخبرة الذين يرغبون في نشر نماذج التعلم الآلي بسرعة. في هذه المدونة ، سأرشدك من خلال عملية خطوة بخطوة لإنشاء تطبيق بديل أساسي ومشروع التعلم الآلي

باستخدام مجموعة بيانات

البدء مع STIPLELIT

قبل أن نقفز إلى المشروع ، دعنا نسير عبر بعض وظائف الانسياب الأساسية للراحة مع الإطار. يمكنك تثبيت SPEREMLIT باستخدام الأمر التالي:

PIP تثبيت التدفق

بمجرد التثبيت ، يمكنك بدء تطبيق أول تطبيق

STREMLIT RUN APP.PY

pip install streamlit

الآن ، دعنا نستكشف الميزات الأساسية لـ SPHONLIT:

1. كتابة العناوين وعرض النص

pip install streamlit

استيراد التدفق كما ST # كتابة عنوان St.Title ("Hello World") # عرض نص بسيط St.Write ("عرض نص بسيط")

2. عرض DataFrames

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

استيراد الباندا كـ PD # إنشاء dataframe df = pd.dataframe ({ "العمود الأول": [1 ، 2 ، 3 ، 4] ، "العمود الثاني": [5 ، 6 ، 7 ، 8] }) # عرض بيانات البيانات St.Write ("عرض نظام بيانات") St.Write (DF)

3. تصور البيانات مع المخططات

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

استيراد numpy مثل NP # إنشاء بيانات عشوائية chart_data = pd.dataFrame ( np.random.randn (20 ، 4) ، أعمدة = ['a' ، 'b' ، 'c' ، 'd'] ) # عرض مخطط الخط St.Line_Chart (chart_data)

4. تفاعل المستخدم: إدخال نص ، شرائح ، وحدد الصناديق

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

SPEREMLIT يمكّن عناصر واجهة مستخدمة تفاعلية مثل إدخال النص ، وشرائح ، وحدد مربعات تحديث ديناميكيًا بناءً على إدخال المستخدم.

# إدخال النص name = st.text_input ("اسمك هو:") إذا كان الاسم: St.Write (f'hello ، {name} ') # شريط التمرير العمر = St.Slider ("حدد عمرك:" ، 0 ، 100 ، 25) إذا كان العمر: St.Write (عصر yyour هو: {Age} ') # حدد المربع خيارات = ["Python" ، "Java" ، "JavaScript"] Lang = St.Selectbox ("لغة البرمجة المفضلة" ، خيارات) إذا لانج: St.Write (لغة البرمجة F'Favorite هي {lang} ')

5. تحميل الملف

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

يمكنك السماح للمستخدمين بتحميل الملفات وعرض محتوياتهم ديناميكيًا في التطبيق

# تحميل الملف لملفات CSV ملف = st.file_uploader ("اختر ملف CSV" ، "CSV") إذا ملف: البيانات = pd.read_csv (ملف) St.Write (بيانات)

بناء مشروع تعلم آلة مع STIPLELIT

# File uploader for CSV files
file = st.file_uploader('Choose a CSV file', 'csv')

if file:
    data = pd.read_csv(file)
    st.write(data)

. سنستخدم مجموعة بيانات IRIS الشهيرة ونبني نموذجًا بسيطًا

بنية المشروع:

تحميل مجموعة البيانات. تدريب عشوائي forestclassifier. السماح للمستخدمين بإدخال ميزات باستخدام Sliders. توقع الأنواع بناءً على ميزات الإدخال.

1. تثبيت التبعيات اللازمة

أولاً ، دعنا نثبت المكتبات اللازمة:
PIP تثبيت التدفق Scikit-Learn Numpy Pandas
• 2. استيراد المكتبات وتحميل البيانات
• دعنا نستورد المكتبات اللازمة ونقوم بتحميل مجموعة بيانات IRIS:

استيراد التدفق كما ST استيراد الباندا كـ PD من sklearn.datasets استيراد load_iris من sklearn.ensemble استيراد عشوائي forestclassifier # بيانات ذاكرة التخزين المؤقت للتحميل الفعال @st.cache_data def load_data (): IRIS = load_iris () df = pd.dataframe (iris.data ، الأعمدة = iris.feature_names) df ["الأنواع"] = iris.target إرجاع df ، iris.target_names df ، target_name = load_data ()

3. تدريب نموذج التعلم الآلي

بمجرد حصولنا على البيانات ، سنقوم بتدريب عشوائي forestclassifier للتنبؤ بأنواع الزهرة بناءً على ميزاتها:

pip install streamlit

# تدريب عشوائي forestclassifier نموذج = عشوائي forestclassifier () نموذج.

4. إنشاء واجهة الإدخال

الآن ، سنقوم بإنشاء شرائح في الشريط الجانبي للسماح للمستخدمين بإدخال ميزات لصنع التنبؤات:

pip install streamlit

# الشريط الجانبي لإدخال المستخدم St.SideBar.title ("ميزات الإدخال") sepal_length = st.sideBar.slider ("طول sepal" ، تعويم (df ['طول sepal (cm)'] sepal_width = St.SideBar.Slider ("عرض sepal" ، تعويم (df ['sepal width (cm)']. min ()) ، float (df ['sepal width (cm)']. max ()))) Petal_length = St.SideBar.Slider ("طول بتلة" ، تعويم (df ['طول بتلة (سم)]. petal_width = St.SideBar.Slider ("عرض بتلة" ، تعويم (df ['petal width (cm)']. min ()) ، float (df ['petal width (cm)'].

5. توقع الأنواع

بعد الحصول على مدخلات المستخدم ، سنقوم بإجراء تنبؤ باستخدام النموذج المدرب:

pip install streamlit

# قم بإعداد بيانات الإدخال input_data = [[sepal_length ، sepal_width ، petal_length ، petal_width]] # تنبؤ التنبؤ = نموذج. التنبؤ_species = target_name [التنبؤ [0]] # عرض التنبؤ St.Write ("التنبؤ:") st.Write (الأنواع التي تم تسجيلها هي {prediction_species} ')

سيبدو هذا:

pip install streamlit

أخيرًا ،
يجعل SPEREMLIT

من السهل للغاية إنشاء واجهة ويب التعلم الآلي ونشرها بأقل جهد. ؟ في بضعة أسطر من التعليمات البرمجية ، قمنا ببناء تطبيق تفاعلي؟ هذا يسمح للمستخدمين بإدخال ميزات والتنبؤ بأنواع الزهرة؟ باستخدام نموذج التعلم الآلي. ؟؟

pip install streamlit

ترميز سعيد! ؟