本文推荐了一些最实用的机器学习工具，包括数据库管理的PostgreSQL，部署Pipeline工具如Pytest和CircleCI，探索工具Streamlit，以及机器学习架构如Sklearn和PyTorch。此外，还提到了实验管理工具Atlas，并强调了选择工具时要考虑其适用性、易用性和成熟度。
全文共2754字，预计学习时长11分钟
图源：unsplash
就如同制作米其林菜肴，拥有井井有条的厨房固然重要，但可选择的东西太多也着实让人烦恼，建立良好的机器学习（ML）应用程序也是如此。
所以，小编将重点介绍一些可用于交付专业项目的工具，分享想法和备选方案，并开展一个快速的调查。任何关于工具的讨论给出的选项总是无法穷尽，但下面这几种将是最有用和最简单的。
当然啦，如果你有其他更好的选择，也欢迎在评论区告诉小芯。
（免责声明：本帖未署名，且未受到赞助。小编将数据科学和机器学习两个名词互换使用。）
常见问题
“如何构建优秀的机器学习应用程序？”
与数据科学家、正在寻求转型的专业人员以及团队经理沟通的过程中，这个问题以各种形式多次出现。
交付专业数据科学项目涉及很多方面，实际上它在厨房做饭很相似：有原料（数据）、食谱（设计）、烹饪过程（独到的方法）、最后是实际的厨房（工具）。
本文遍历了小编的“厨房”，重点介绍了在设计、开发和部署全栈机器学习应用程序中最有用的工具——这些解决方案或与系统融合，或能够在生产环境中服务于用户。
势不可挡的可能性
这是最好的时代。如果在谷歌中搜索“机器学习工具”或咨询顾问，可能会得到以下信息：
2019数据&人工智能全景 | 图源：GIPHY
你能得到太多的工具，组合的可能性是无限的，这势不可挡，却也令人迷茫。你需要去缩小范围。但要注意的是，完美的安装依旧不存在，而这取决于用户的需求和限制条件。简而言之，最适合的才是最好的。
小编的优先列表如下（无先后之分）:
最低0.47元/天 解锁文章
扫一扫
1612
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
