PyCaret
Düşük kodlu AutoML motoru ve React web arayüzü ile FastAPI arka ucuna sahip, kendi sunucunuzda barındırabileceğiniz makine öğrenmesi platformu.
Scikit-learn ile modeller eğitin, React arayüzünde deneyleri yönetin ve üretime hazır API uç noktaları dağıtın.
PyCaret, Python ile yazılmış açık kaynaklı bir AutoML kütüphanesi ve kendi sunucunuzda barındırabileceğiniz bir makine öğrenmesi kontrol düzlemidir. Algoritmaları eğitmek, deneyleri takip etmek, modelleri kaydetmek ve yerel olarak veya kendi sunucularınızda tahmin API'leri sunmak için bir web arayüzü sağlar. Ticari SaaS platformları olmadan birleştirilmiş bir çalışma alanı arayan veri bilimcilere ve tahminsel analistlere uygundur.
Nedir
Araç, sınıflandırma, regresyon, kümeleme ve zaman serisi görevlerinde model eğitimini otomatikleştirmek için bir Scikit-learn motorunu FastAPI arka ucu ve React paneliyle birleştirir. Deney çalıştırmalarını yönetir, entegre bir sicilde model sürümlerini takip eder ve canlı tahmin istekleri için REST uç noktaları sağlar. Boru hattı durumu, harici PostgreSQL ve S3 arka uçları için isteğe bağlı destekle birlikte SQLite ve dosya depolaması kullanılarak yerel olarak kalıcı hale getirilir.
Kimler için
Bu platform; kendi altyapılarında deney takibini ve model dağıtımını otomatikleştirmek isteyen veri bilimcileri, tahminsel analistler ve makine öğrenmesi mühendisleri için uygundur. Sürüm 4.0'ın dağıtık işçi mimarisi hâlâ geliştirme aşamasında olduğundan, şu anda tamamen ayrı, büyük ölçekli bulut mikro hizmetlerine ihtiyaç duyan ekipler için daha az uygundur.
Temel özellikler
Entegre React Kontrol Düzlemi
Deneyleri yapılandırın, liderlik tablolarını inceleyin, modelleri öne çıkarın ve karanlık mod web paneli üzerinden tahminleri test edin.
Otomatik Scikit-Learn Motoru
Tablolar arası veri görevlerinde birden fazla makine öğrenmesi algoritmasını aynı anda eğitin ve değerlendirin.
Kendi Sunucunuzda Barındırılan Tahmin Uç Noktaları
Dağıtılan modelleri, JSON yükleriyle standart HTTP POST isteklerini kullanarak doğrudan FastAPI aracılığıyla sunun.
LLM Veri Kümesi Yardımcı Pilotları
Arayüz içinde otomatik veri kümesi içgörüleri ve deneysel rehberlik almak için Anthropic veya OpenAI API anahtarlarını bağlayın.
Takılabilir Altyapı Arka Uçları
Ortam değişkenlerini kullanarak yerel SQLite ve dosya sistemi depolamasını PostgreSQL ve Amazon S3 ile değiştirin.
3 adımda hazır
Dürüst kararımız
Artıları
- AutoML eğitimini, deney takibini ve model sunumunu tek bir konteynerli yığında birleştirir
- Tıkla-ve-çalıştır arayüzü, YAML dosyaları yazmadan eksiksiz iş akışı yapılandırmasına olanak tanır
- Modeller öne çıkarıldığında anında curl uyumlu tahmin uç noktaları sağlar
- Tek bir Docker Compose komutu kullanarak dizüstü bilgisayarda yerel olarak çalışır
Eksileri
- Sürüm 4.0, 3.x sürümüne göre uyumsuz değişiklikler getiren yapım aşamasında bir yeniden düzenlemedir
- Docker konteyner derlemeleri sırasında önemli ölçüde yerel RAM kaynağı (6GB+ önerilir) gerektirir
- Gelişmiş dağıtık bulut ölçeklendirmesi şu anda temel protokol arayüzlerinin manuel olarak yapılandırılmasını gerektirir
- Yerel birim sıfırlanırsa veritabanı şifreleme anahtarları ve saklanan kimlik bilgileri kurtarılamaz
Fiyatlar & lisans
PyCaret, GitHub üzerinden edinilebilen ücretsiz ve açık kaynaklı bir yazılımdır. Sürdürenler tarafından sunulan ücretli ticari katmanlar yoktur; ana masrafınız sunucu konteynerlerini çalıştırmanın altyapı maliyetidir.
Türkçe konuşanlar için işler
876 açık uzaktan yapay zeka eğitimi işi, 15 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$170 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.
Alternatifler
İncelenmiş bu AI araçları aynı işi anında yapar — puanlı dizinimizden.
Kullanın ya da biz kuralım
SSS
PyCaret 4.0 kutudan çıktığı gibi hangi veritabanını kullanır?
Üretim için PostgreSQL kullanacak şekilde yapılandırılabilen, bir Docker birimi içinde saklanan süreç içi bir SQLite veritabanı kullanır.
PyCaret'i Docker olmadan yerel olarak çalıştırabilir miyim?
Evet, uv paket yöneticisini kullanarak bağımlılıkları yükleyebilir ve FastAPI arka ucu ile React ön ucunu ayrı süreçler olarak çalıştırabilirsiniz.
