Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Die Verwaltung des gesamten Lebenszyklus einer Machine-Learning-Anwendung kann für Datenwissenschaftler, Ingenieure und Entwickler eine entmutigende Aufgabe sein. Anwendungen des maschinellen Lernens sind komplex und nachweislich schwer zu verfolgen, schwer zu reproduzieren und problematisch in der Anwendung.
In diesem Kurs erfährst du, was MLflow ist und wie es versucht, die Schwierigkeiten im Lebenszyklus des maschinellen Lernens wie Verfolgung, Reproduzierbarkeit und Einsatz zu vereinfachen. Nach dem Erlernen von MLflow wirst du besser verstehen, wie du die Komplexität bei der Entwicklung von Machine Learning-Anwendungen bewältigen kannst und wie du die verschiedenen Phasen des Machine Learning-Lebenszyklus durchläufst.
Im Laufe des Kurses wirst du dich mit den vier Hauptkomponenten der MLflow-Plattform vertraut machen. Du lernst, wie du Modelle, Metriken und Parameter mit MLflow Tracking verfolgst, reproduzierbaren ML-Code mit MLflow Projects verpackst, Modelle mit MLflow Models erstellst und bereitstellst und Modelle mit Model Registry speicherst und versionierst.
Im Laufe des Kurses lernst du auch, wie du MLflow für die Versionierung von Modellen verwendest, wie du Modelle auswertest, Anpassungen zu Modellen hinzufügst und wie du Automatisierungen in Trainingsläufe einbaust. Dieser Kurs bereitet dich darauf vor, den Lebenszyklus deiner nächsten Machine Learning-Anwendung erfolgreich zu managen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in MLflow
In diesem Kapitel lernst du MLflow kennen und wie es bei typischen Herausforderungen im Machine-Learning-Lebenszyklus hilft. Du machst dich mit den vier Hauptkonzepten von MLflow vertraut, mit besonderem Fokus auf MLflow Tracking. Du lernst, Experimente und Runs zu erstellen sowie Metriken, Parameter und Artefakte zu tracken. Abschließend durchsuchst du MLflow programmatisch, um Experiment-Runs zu finden, die bestimmten Kriterien entsprechen.
2
MLflow-Modelle
In diesem Kapitel lernst du MLflow-Modelle kennen. Die MLflow-Modelle-Komponente spielt eine zentrale Rolle in den Schritten Model Evaluation und Model Engineering des Machine-Learning-Lebenszyklus. Du erfährst, wie MLflow-Modelle die Verpackung von ML-Modellen standardisieren und wie du sie speicherst, protokollierst und lädst. Du lernst, eigene MLflow-Modelle zu erstellen, um deinen Use Cases mehr Flexibilität zu geben, und wie du die Modellleistung evaluierst. Du nutzt das leistungsfähige Konzept der „Flavors“ und setzt schließlich das MLflow-Kommandozeilen-Tool für das Model-Deployment ein.
3
MLflow Model Registry
Dieses Kapitel führt das MLflow-Konzept der Model Registry ein. Du lernst, wie die Model Registry genutzt wird, um den Lebenszyklus von ML-Modellen zu verwalten. Du erfährst, wie du Modelle in der Model Registry erstellst und suchst. Anschließend lernst du, Modelle in der Model Registry zu registrieren und sie zwischen vordefinierten Stufen zu wechseln. Zum Schluss erfährst du auch, wie du Modelle aus der Model Registry bereitstellst.
4
MLflow-Projekte
In diesem Kapitel lernst du, wie du deinen Data-Science-Code mit MLflow-Projekten für Wiederverwendbarkeit und Reproduzierbarkeit schlanker gestaltest. Zunächst wird das Konzept der MLflow-Projekte vorgestellt und du erstellst eine MLproject-Datei. Danach lernst du, MLflow-Projekte sowohl über die Kommandozeile als auch über das MLflow-Projects-Modul auszuführen und entdeckst, wie Parameter zusätzliche Flexibilität in deinem Code ermöglichen. Abschließend erfährst du, wie du Schritte des Machine-Learning-Lebenszyklus verwaltest, indem du mit MLflow-Projekten einen mehrstufigen Workflow erstellst.
Einführung in MLflow
Kurs
abgeschlossen
