在學(xué)習(xí)AWS 和機(jī)器學(xué)習(xí)/AI 的過程中，我決定透過模擬使用Streamlit、自然語言處理或NLP 建立一個(gè)簡單但功能強(qiáng)大的AWS 學(xué)習(xí)路徑推薦器S3環(huán)境。該應(yīng)用程式將能夠根據(jù)使用者輸入建議 AWS 學(xué)習(xí)路徑。 ?

那麼，讓我們開始吧！

先決條件

開始之前，請(qǐng)確保已安裝 Python 並建立一個(gè)新的專案資料夾。然後，安裝以下程式庫：

?

pip install streamlit boto3 moto scikit-learn

第 1 步：設(shè)定模擬 S3

首先，我們定義一個(gè)函數(shù)來使用 Moto 建立模擬 S3；這將用於模擬 AWS S3，而無需連接到 AWS。

import boto3
from moto import mock_s3
import json

def setup_mock_s3():
    s3 = boto3.resource("s3", region_name="us-east-1")
    bucket_name = "mock-learning-paths"
    s3.create_bucket(Bucket=bucket_name)
    data = {
        "resources": [
            {"title": "Introduction to AWS", "tags": "AWS, Cloud Computing, Basics"},
            {"title": "Deep Learning on AWS", "tags": "AWS, Deep Learning, AI"},
            {"title": "NLP with SageMaker", "tags": "AWS, NLP, Machine Learning"},
            {"title": "Serverless with AWS Lambda", "tags": "AWS, Serverless, Lambda"},
        ]
    }
    s3.Bucket(bucket_name).put_object(Key="mock_resources.json", Body=json.dumps(data))
    return bucket_name

第2步：建議功能

接下來，我們將定義一個(gè)函數(shù)，根據(jù)使用者的輸入，該函數(shù)將利用一些 NLP 提出學(xué)習(xí)路徑建議：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

def recommend_learning_path(user_input, bucket_name):
    s3 = boto3.client("s3", region_name="us-east-1")
    obj = s3.get_object(Bucket=bucket_name, Key="mock_resources.json")
    data = json.loads(obj['Body'].read().decode('utf-8'))

    resources = data["resources"]
    titles = [resource["title"] for resource in resources]
    tags = [resource["tags"] for resource in resources]

    corpus = tags + [user_input]
    vectorizer = TfidfVectorizer()
    tfidf_matrix = vectorizer.fit_transform(corpus)
    similarity = cosine_similarity(tfidf_matrix[-1], tfidf_matrix[:-1])

    scores = similarity.flatten()
    ranked_indices = scores.argsort()[::-1]

    recommendations = [titles[i] for i in ranked_indices[:3]]
    return recommendations

第 3 步：Streamlit 介面

現(xiàn)在讓我們使用 Streamlit 設(shè)計(jì)應(yīng)用程式的介面：

import streamlit as st

st.title("AWS Learning Path Recommender")

user_input = st.text_input("What do you want to learn about AWS?", "I want to learn about AWS and AI")

if st.button("Get Recommendations"):
    with mock_s3():
        bucket_name = setup_mock_s3()
        recommendations = recommend_learning_path(user_input, bucket_name)

    st.subheader("Recommended Learning Path:")
    for i, rec in enumerate(recommendations, 1):
        st.write(f"{i}. {rec}")

第四步：將它們放在一起
將所有程式碼片段合併到一個(gè)名為「app.py」的 Python 檔案：

import streamlit as st
import boto3
from moto import mock_s3
import json
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# [Insert setup_mock_s3 function here]

# [Insert recommend_learning_path function here]

st.title("AWS Learning Path Recommender")

user_input = st.text_input("What do you want to learn about AWS?", "I want to learn about AWS and AI")

if st.button("Get Recommendations"):
    with mock_s3():
        bucket_name = setup_mock_s3()
        recommendations = recommend_learning_path(user_input, bucket_name)

    st.subheader("Recommended Learning Path:")
    for i, rec in enumerate(recommendations, 1):
        st.write(f"{i}. {rec}")

第 5 步：執(zhí)行應(yīng)用程式
要啟動(dòng) Streamlit 應(yīng)用程序，請(qǐng)打開終端，將目錄更改為您的專案資料夾並運(yùn)行：

streamlit run app.py

這將啟動(dòng) Streamlit 伺服器並在預(yù)設(shè)網(wǎng)頁瀏覽器中開啟應(yīng)用程式。

如何運(yùn)作
該應(yīng)用程式會(huì)建立一個(gè)模擬 S3 儲(chǔ)存桶，其中填充了一些範(fàn)例 AWS 學(xué)習(xí)資源。

該應(yīng)用程式透過輸入使用者的學(xué)習(xí)興趣並點(diǎn)擊“獲取推薦”，使用 TF-IDF 和餘弦相似度來推薦最相關(guān)的資源。前 3 名推薦將顯示給使用者。

結(jié)論。

這個(gè)簡單的應(yīng)用程式使用 Streamlit 將 NLP 技術(shù)與 AWS 服務(wù)結(jié)合在一起，以建立互動(dòng)式學(xué)習(xí)路徑推薦器。您可以透過整合實(shí)際的 AWS 服務(wù)、新增更多資源或使用更複雜的推薦演算法來擴(kuò)展此範(fàn)例。

這是一個(gè)非常簡單的範(fàn)例，可以在生產(chǎn)中進(jìn)行很多改進(jìn)。請(qǐng)記住，安全性、可擴(kuò)展性和使用者體驗(yàn)是為現(xiàn)實(shí)世界開發(fā)應(yīng)用程式時(shí)的主要關(guān)注點(diǎn)。

非常感謝您閱讀本文！

以上是使用 Streamlit 創(chuàng)建您自己的個(gè)人化 AWS 學(xué)習(xí)體驗(yàn)的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！