La gestion du cycle de vie de bout en bout d'une application d'apprentissage automatique peut être une tâche ardue pour les scientifiques des données, les ingénieurs et les développeurs. Les applications de Machine Learning sont complexes et ont fait leurs preuves en étant difficiles à suivre, difficiles à reproduire et problématiques à déployer.
Dans ce cours, vous apprendrez ce qu'est MLflow et comment il tente de simplifier les difficultés du cycle de vie du Machine Learning telles que le cursus, la reproductibilité et le déploiement. Après avoir appris MLflow, vous aurez une meilleure compréhension de la façon de surmonter les complexités de la construction d'applications d'apprentissage automatique et de la façon de naviguer dans les différentes étapes du cycle de vie de l'apprentissage automatique.
Tout au long de la formation, vous plongerez dans les quatre composants majeurs qui constituent la plateforme MLflow. Vous découvrirez comment suivre les modèles, les métriques et les paramètres avec MLflow Tracking, empaqueter du code ML reproductible avec MLflow Projects, créer et déployer des modèles avec MLflow Models, et stocker et contrôler les versions des modèles avec Model Registry.
Au fur et à mesure que vous progresserez dans le cours, vous apprendrez également les meilleures pratiques d'utilisation de MLflow pour le versionnement des modèles, comment évaluer les modèles, ajouter des personnalisations aux modèles, et comment intégrer l'automatisation dans les cycles de formation. Ce cours vous préparera à gérer avec succès le cycle de vie de votre prochaine application d'apprentissage automatique.