After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Mengelola siklus hidup end-to-end dari aplikasi Machine Learning dapat menjadi tugas yang menantang bagi para ilmuwan data, insinyur, dan pengembang. Aplikasi Machine Learning bersifat kompleks dan memiliki rekam jejak yang terbukti sulit dilacak, sulit direproduksi, dan problematis untuk diimplementasikan.
Dalam kursus ini, Anda akan mempelajari apa itu MLflow dan bagaimana MLflow berusaha menyederhanakan tantangan dalam siklus hidup Machine Learning, seperti pelacakan, reproduibilitas, dan deployment. Setelah mempelajari MLflow, Anda akan memiliki pemahaman yang lebih baik tentang cara mengatasi kompleksitas dalam membangun aplikasi Machine Learning dan cara menavigasi berbagai tahap dalam siklus hidup Machine Learning.
Selama kursus ini, Anda akan mempelajari secara mendalam empat komponen utama yang membentuk platform MLflow. Anda akan mempelajari cara melacak model, metrik, dan parameter menggunakan MLflow Tracking, mengemas kode ML yang dapat direproduksi menggunakan MLflow Projects, membuat dan mengimplementasikan model menggunakan MLflow Models, serta menyimpan dan mengelola versi model menggunakan Model Registry.
Seiring Anda melanjutkan kursus ini, Anda juga akan mempelajari praktik terbaik dalam menggunakan MLflow untuk versi model, cara mengevaluasi model, menambahkan kustomisasi pada model, dan cara mengintegrasikan otomatisasi ke dalam proses pelatihan. Kursus ini akan mempersiapkan Anda untuk sukses dalam mengelola siklus hidup aplikasi Machine Learning Anda berikutnya.
Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar MLflow
Pada Bab ini, Anda akan diperkenalkan pada MLflow dan bagaimana alat ini bertujuan membantu mengatasi beberapa kesulitan dalam siklus hidup Machine Learning. Anda akan diperkenalkan pada empat konsep utama yang membentuk MLflow dengan fokus utama pada MLflow Tracking. Anda akan belajar membuat experiment dan run serta cara melacak metric, parameter, dan artifact. Terakhir, Anda akan melakukan pencarian MLflow secara terprogram untuk menemukan run experiment yang memenuhi kriteria tertentu.
2
Model MLflow
Pada Bab ini, Anda akan diperkenalkan pada MLflow Models. Komponen MLflow Models berperan penting dalam langkah Model Evaluation dan Model Engineering pada siklus hidup Machine Learning. Anda akan mempelajari bagaimana MLflow Models menstandarkan pengemasan model ML serta cara menyimpan, mencatat (log), dan memuatnya. Anda akan belajar membuat MLflow Model kustom untuk memberi fleksibilitas lebih pada kasus penggunaan Anda serta cara mengevaluasi kinerja model. Anda akan memanfaatkan konsep kuat bernama “Flavor” dan akhirnya menggunakan alat baris perintah MLflow untuk penerapan model.
3
Mlflow Model Registry
Bab ini memperkenalkan konsep MLflow yang disebut Model Registry. Anda akan diperkenalkan pada bagaimana Model Registry digunakan untuk mengelola siklus hidup model ML. Anda akan mempelajari cara membuat dan mencari model di Model Registry. Selanjutnya Anda mempelajari cara mendaftarkan model ke Model Registry dan bagaimana mentransisikan model antar tahap yang telah ditentukan. Terakhir, Anda juga akan belajar cara menerapkan model dari Model Registry.
4
Proyek MLflow
Pada bab ini, Anda akan memperoleh pengetahuan berharga tentang cara merapikan kode data science agar dapat digunakan ulang dan direproduksi menggunakan MLflow Projects. Bab dimulai dengan memperkenalkan konsep MLflow Projects dan memandu Anda membuat berkas MLproject. Setelah itu, Anda akan mempelajari cara menjalankan MLflow Projects melalui baris perintah maupun modul MLflow Projects sekaligus menemukan kekuatan penggunaan parameter untuk menambah fleksibilitas pada kode Anda. Terakhir, Anda akan belajar cara mengelola tahapan siklus hidup machine learning dengan membuat alur kerja multi-langkah menggunakan MLflow Projects.
Pengantar MLflow
Kursus
Selesai
