- 授权协议: Apache
- 开发语言: Python
- 操作系统: 跨平台
- 软件首页: https://github.com/MentatInnovations/datastream.io
- 软件文档: https://github.com/MentatInnovations/datastream.io/blob/master/README.md
- 官方下载: https://github.com/MentatInnovations/datastream.io
软件介绍
使用 Python，Elasticsearch 和 Kibana 进行实时异常检测的开源框架。
该项目的目的是执行以下功能：
消耗从各种文件和流格式的数据。
实时转换数据流以获取感兴趣的统计信息，如聚合，计数，会话，分组或提取功能。
通过无监督的机器学习对产生的流进行建模，以全局或者在设备/用户层面捕获正常的基线行为。
通过将每个新事件与基准模型进行比较来评分。
在轻量级可定制仪表板上可视化异常事件，并且轻量级的后端。
安装
推荐的安装方法是在 Python 3.x virtalenv 中使用 pip。
virtualenv --python=python3 dsio-env source dsio-env/bin/activate pip install -e git+https://github.com/MentatInnovations/datastream.io#egg=dsio
用法
您可以通过命令行使用 dsio 或将其导入到您的 Python 代码中。您可以使用内置的 Bokeh 服务器可视化您的数据流，也可以将它们重新定位到 Elasticsearch，并使用 Kibana 对其进行可视化。在任何一种情况下，dsio 都会为您的数据流生成适当的仪表板。另外，如果您通过 Jupyter 笔记本调用 dsio，则会将流式 Bokeh 仪表板嵌入到同一个笔记本中。
机器学习系统设计
[德] Willi Richert、Luis Pedro Coelho / 刘峰 / 人民邮电出版社 / 2014-7-1 / CNY 49.00
如今，机器学习正在互联网上下掀起热潮，而Python则是非常适合开发机器学习系统的一门优秀语言。作为动态语言，它支持快速探索和实验，并且针对Python的机器学习算法库的数量也与日俱增。本书最大的特色，就是结合实例分析教会读者如何通过机器学习解决实际问题。 本书将向读者展示如何从原始数据中发现模式，首先从Python与机器学习的关系讲起，再介绍一些库，然后就开始基于数据集进行比较正式的项目开......一起来看看 《机器学习系统设计》 这本书的介绍吧!
