使用 Streamlit 创建您自己的个性化 AWS 学习体验

百变鹏仔 5天前 #Python

文章标签自己的

本文将介绍如何利用Streamlit、自然语言处理(NLP)和模拟S3环境，构建一个简单的AWS学习路径推荐器。该应用根据用户输入，推荐合适的AWS学习资源。

准备工作

确保已安装Python，并创建一个新的项目文件夹。安装以下库：

pip install streamlit boto3 moto scikit-learn

步骤一：模拟S3环境

使用moto模拟S3，无需连接实际AWS。以下函数创建模拟S3桶并上传示例学习资源：

import boto3from moto import mock_s3import jsondef 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": "AWS入门", "tags": "aws, 云计算, 基础"},            {"title": "AWS深度学习", "tags": "aws, 深度学习, ai"},            {"title": "SageMaker自然语言处理", "tags": "aws, nlp, 机器学习"},            {"title": "AWS Lambda无服务器架构", "tags": "aws, 无服务器, lambda"},        ]    }    s3.bucket(bucket_name).put_object(key="mock_resources.json", body=json.dumps(data))    return bucket_name

步骤二：推荐算法

此函数基于用户输入，利用NLP技术推荐学习路径：

from sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.metrics.pairwise import cosine_similaritydef 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

步骤三：Streamlit界面

使用Streamlit构建应用界面：

import streamlit as stst.title("AWS学习路径推荐器")user_input = st.text_input("你想学习哪些AWS相关内容？", "我想学习AWS和AI")if st.button("获取推荐"):    with mock_s3():        bucket_name = setup_mock_s3()        recommendations = recommend_learning_path(user_input, bucket_name)    st.subheader("推荐学习路径：")    for i, rec in enumerate(recommendations, 1):        st.write(f"{i}. {rec}")

步骤四：整合代码

将以上代码整合到名为app.py的Python文件中。

步骤五：运行应用

在终端中，导航到项目文件夹，运行：

streamlit run app.py

应用会在默认浏览器中打开。

工作原理

应用创建模拟S3桶，存储示例AWS学习资源。用户输入学习兴趣后，应用使用TF-IDF和余弦相似度算法推荐相关资源，并显示前三条推荐结果。

总结

本示例展示了如何结合Streamlit、NLP和模拟AWS服务，构建交互式学习路径推荐器。实际应用中，可集成真实AWS服务，添加更多资源和更复杂的推荐算法，并注重安全性、可扩展性和用户体验。

文章推荐

使用 Streamlit 创建您自己的个性化 AWS 学习体验

如何在Python中创建静态类数据和静态类方法？

使用Python获取字符串列表中数字的总和

如何使用TensorFlow Serving在Python中部署模型？

Python程序：删除数组/列表中的所有元素的出现次数

探秘Python在机器学习中的杰出应用案例