Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Gestionar el ciclo de vida completo de una aplicación de Aprendizaje Automático puede ser una tarea desalentadora para los científicos de datos, ingenieros y desarrolladores. Las aplicaciones de aprendizaje automático son complejas y tienen un historial demostrado de ser difíciles de seguir, difíciles de reproducir y problemáticas de desplegar.
En este curso, aprenderás qué es el flujo MLy cómo intenta simplificar las dificultades del ciclo de vida del Aprendizaje Automático, como el seguimiento, la reproducibilidad y el despliegue. Después de aprender MLflow, comprenderás mejor cómo superar las complejidades de la creación de aplicaciones de Aprendizaje Automático y cómo navegar por las diferentes etapas del ciclo de vida del Aprendizaje Automático.
A lo largo del curso, profundizarás en los cuatro componentes principales que conforman la plataforma de flujo ML. Explorarás cómo rastrear modelos, métricas y parámetros con MLflow Tracking, empaquetar código reproducible ML utilizando MLflow Projects, crear y desplegar modelos utilizando MLflow Models, y almacenar y controlar versiones de modelos utilizando Model Registry.
A medida que avances en el curso, también aprenderás las mejores prácticas de uso del flujo MLpara versionar modelos, cómo evaluar modelos, añadir personalizaciones a los modelos y cómo construir la automatización en las ejecuciones de entrenamiento. Este curso te preparará para el éxito en la gestión del ciclo de vida de tu próxima aplicación de Aprendizaje Automático.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a MLflow
En este capítulo, te presentaremos MLflow y cómo busca ayudarte con algunas de las dificultades del ciclo de vida de Machine Learning. Conocerás los cuatro conceptos principales que componen MLflow, con un enfoque en MLflow Tracking. Aprenderás a crear experimentos y ejecuciones, así como a registrar métricas, parámetros y artefactos. Por último, consultarás MLflow de forma programática para encontrar ejecuciones de experimentos que cumplan ciertos criterios.
- ¿Qué es el flujo ML?50 XP
- Componentes del flujo ML50 XP
- MLexperimentos de flujo100 XP
- MLSeguimiento del flujo50 XP
- Iniciar una carrera100 XP
- Registrar una ejecución100 XP
- ¿Cómo recuperar los datos de ejecución activos?50 XP
- Consulta de ejecuciones50 XP
- Buscar ejecuta opciones de consulta50 XP
- Recorridos de búsqueda100 XP
2
Modelos de MLflow
En este capítulo, te presentaremos los Modelos de MLflow. El componente MLflow Models desempeña un papel esencial en las etapas de Evaluación de modelos e Ingeniería de modelos del ciclo de vida de Machine Learning. Aprenderás cómo MLflow Models estandariza el empaquetado de modelos de ML y cómo guardarlos, registrarlos y cargarlos. Verás cómo crear modelos personalizados de MLflow para aportar más flexibilidad a tus casos de uso y cómo evaluar el rendimiento del modelo. Utilizarás el potente concepto de “Flavors” y, para terminar, usarás la herramienta de línea de comandos de MLflow para el despliegue de modelos.
3
Registro de modelos de MLflow
Este capítulo presenta el concepto de MLflow denominado Model Registry. Verás cómo se usa el Model Registry para gestionar el ciclo de vida de los modelos de ML. Aprenderás a crear y buscar modelos en el Model Registry. Después, aprenderás a registrar modelos en el Model Registry y a hacer la transición de modelos entre etapas predefinidas. Por último, también aprenderás a desplegar modelos desde el Model Registry.
4
Proyectos de MLflow
En este capítulo, aprenderás a optimizar tu código de ciencia de datos para que sea reutilizable y reproducible usando Proyectos de MLflow. El capítulo comienza introduciendo el concepto de Proyectos de MLflow y guiándote en la creación de un archivo MLproject. A partir de ahí, aprenderás a ejecutar Proyectos de MLflow tanto desde la línea de comandos como con el módulo de Proyectos de MLflow y descubrirás el poder de usar parámetros para aportar más flexibilidad a tu código. Por último, aprenderás a gestionar pasos del ciclo de vida de Machine Learning creando un flujo de trabajo de varios pasos con Proyectos de MLflow.
Introducción a MLflow
Curso
completado
