机器学习的模型大多是使用python或者是R语言来写的，但是使用这些模型的软件工程师可能用的完全不是这些语言（机器学习模型有时只是一个软件中的一小部分，比如聊天机器人、自动邮箱发送系统）。统称我们都只关注机器学习模型的原理，如何构造特征，如何调整参数一类，实际模型如何在生产环境中部署呢？针对这个问题可以有下面两种解决办法：
1. 用软件工程师工作的语言来重写整个机器学习代码，但是这消耗时间和精力太多，并且像Javascript这样的语言又不能提供很好的库来执行机器学习方法，所以这样方法是不可取的。
2. 使用API方法，Web API使跨语言应用程序可以轻松运行。如果前端开发人员需要使用ML模型来创建ML支持的Web应用程序，他们只需要从提供API的位置获取URL端点。
本资源整理了在生产环境中部署机器学习模型所需要的所有方法、工具、框架等资源列表，可以帮助用户在工业环境中部署、监视机器学习模型，方便进行版本控制、扩展和保护机器学习模型。
资源整理自网络，资源获取见源地址：https://github.com/stefanoteso/awesome-explanatory-supervision
目录
论文资源列表
