W trzeciej części cyklu zajmujemy się siatkami, czyli niezbędnymi elementami projektowania stron internetowych. Siatki pozwalają zdefiniować układ wyświetlania poszczególnych treści na stronie.

W drugiej części kursu z Bootstrapa poznajemy i edytujemy style CSS. Dodatkowo tworzymy atrakcyjniejszą stronę WWW, która zawiera responsywne menu nawigacyjne.

W trakcie powstawania poprzednich części cyklu artykułów o Azure ML firma Microsoft udostępniła testową wersję narzędzia do automatycznego budowania modeli predykcyjnych przy użyciu interfejsu graficznego. W trzeciej, ostatniej już części użyjemy tego narzędzia do przeprowadzenia eksperymentu mającego na celu zbudowanie klasyfikatora oceniającego ryzyko kredytowe.

Bootstrap to platforma do budowania aplikacji WWW, która wyróżnia się dużymi możliwościami, funkcjonalnością, elastycznością w konfigurowaniu i powszechnością zastosowań. W pierwszej części minikursu Bootstrapa wyjaśniamy, czym jest ta platforma, i tworzymy podstawowy szablon strony.

Rsync jest jednym z tych poleceń, których znajomość czyni pracę z systemami uniksowymi znacznie efektywniejszą. To program do kopiowania danych zarówno lokalnie, jak i zdalnie pomiędzy odległymi serwerami. Doskonale sprawdza się podczas tworzenia kopii zapasowych plików konfiguracyjnych oraz plików użytkowników. Zdaje egzamin także podczas synchronizowania zawartości katalogów.
 

Zdarza się, że nadanie uprawnień administratorskich w systemach uniksowych jest jednoznaczne z przekazaniem innej osobie hasła roota. Sięgnięcie po to najprostsze rozwiązanie jest jednocześnie dużym błędem.

W poprzednim artykule opisano sposoby automatycznego tworzenia modeli uczenia maszynowego przy użyciu notatników Jupyter i biblioteki Azure ML. W tej części będziemy kontynuować nasz eksperyment – przyjrzymy się utworzonym modelom, najlepszy z nich zarejestrujemy w usłudze Azure Machine Learning, a następnie utworzymy kontener z tym modelem i udostępnimy go użytkownikom przez WWW.

Zbudowanie modelu uczenia maszynowego wymaga czasu. Samo przygotowanie danych treningowych zajmuje od kilku dni do wielu tygodni. Do oceny i poprawy jakości danych używa się specjalistycznych narzędzi, ale nadal równie ważna jest wiedza ekspercka. Natomiast znalezienie optymalnej architektury modelu uczenia maszynowego daje się już zautomatyzować.

Przy tworzeniu zasobów w ramach PowerShell Desired State Configuration (DSC) konieczny jest pewien poziom ustrukturyzowania – bez niego trudno o budowanie konfiguracji, które te zasoby będą wykorzystywać. W trzeciej części cyklu opisującego możliwości DSC przyjrzymy się, jak tego typu zasoby tworzyć, zmieniać oraz testować.

To ostatnia część kursu poświęcona bibliotekom Seaborn. Najłatwiejsze zostawiliśmy na koniec – skupimy się na edycji stylów graficznych i kolorystyce wykresów, wykorzystując przy tym biblioteki Seaborn i częściowo Matplotlib. Dla przypomnienia dodajmy, że Seaborn to swojego rodzaju nakładka na Matplotlib.