趋近智
机器学习部署概论
章节 1: 模型部署入门
什么是机器学习部署？
为什么要部署机器学习模型？
机器学习工作流程概述
部署策略的类型 (简介)
模型部署中的挑战
章节 2: 为模型部署做准备
保存训练好的模型
模型序列化简介
使用 Pickle 保存模型
使用 Joblib 保存模型
处理模型依赖
保存预处理步骤
动手实践：保存和加载简单模型
章节 3: 使用 Flask 创建预测服务
什么是API？
Web框架简介
设置 Flask
构建一个基础的 Flask 应用
在 Flask 中加载已保存的模型
定义预测端点
处理输入数据 (JSON)
返回预测结果
在本地测试你的 API
动手实践：构建一个简单的Flask预测API
章节 4: Docker 容器化简介
什么是容器化？
Docker 入门
Docker 核心理念：镜像与容器
安装 Docker
编写一个简单的Dockerfile
为Flask应用构建Docker镜像
在 Docker 容器中运行应用
动手实践：容器化预测服务
返回预测结果
这部分内容有帮助吗？
- The JSON Data Interchange Format, Douglas Crockford, 2017 (Ecma International) - 定义了JavaScript对象表示法（JSON）数据交换格式，对结构化API响应至关重要。
- Designing Web APIs: Building Readily Adopted APIs, Arnaud Lauret, 2019 (Manning Publications) - 提供了API设计原则、使用JSON进行响应结构化以及恰当使用HTTP状态码的指导。
- Building Machine Learning Powered Applications: Going from Idea to Product, Emmanuel Ameisen, 2020 (O'Reilly Media) - 关于部署机器学习模型的指南，涵盖API端点创建和有效的预测返回策略。