Last chance! 50% off DataCamp Premium
Sale ends in
Descrizione del corso
Gestire il ciclo di vita end-to-end di un'applicazione di Machine Learning può risultare complesso e scoraggiante per data scientist, ingegneri e sviluppatori. Le applicazioni di Machine Learning sono spesso difficili da monitorare, da riprodurre e da distribuire.
In questo corso scoprirai cos'è MLflow e come questa piattaforma semplifica le principali sfide del ciclo di vita del Machine Learning, come monitoraggio, riproducibilità e distribuzione. Dopo aver acquisito familiarità con MLflow, saprai affrontare con maggiore sicurezza le complessità legate alla costruzione di applicazioni ML e navigare efficacemente nelle diverse fasi del ciclo di vita.
Durante il corso approfondirai i quattro componenti chiave della piattaforma MLflow: Scoprirai come tracciare modelli, metriche e parametri con MLflow Tracking, confezionare codice ML riproducibile con MLflow Projects, creare e distribuire modelli con MLflow Models e archiviare e controllare la versione dei modelli con Model Registry.
Man mano che avanzerai, imparerai anche le best practice per il versioning dei modelli, come valutarli, personalizzarli e introdurre automazioni nei cicli di addestramento. Questo corso ti preparerà a gestire con successo il ciclo di vita della tua prossima applicazione di Machine Learning.
Prerequisiti
Programma
Struttura del corso
1
Introduzione a MLflow
In questo capitolo ti verrà presentato MLflow e come si propone di aiutarti a superare alcune difficoltà del ciclo di vita del Machine Learning. Ti verranno presentati i quattro concetti principali che compongono MLflow, con un'attenzione particolare al Tracking di MLflow. Imparerai a creare esperimenti ed esecuzioni e a tenere traccia di metriche, parametri e artefatti. Infine, effettuerai una ricerca programmatica su MLflow per trovare gli esperimenti che corrispondono a determinati criteri.
2
Modelli MLflow
In questo capitolo ti verranno presentati i Modelli MLflow. Il componente MLflow Models di MLflow svolge un ruolo essenziale nelle fasi di Model Evaluation e Model Engineering del ciclo di vita del Machine Learning. Imparerai come i modelli MLflow standardizzano il packaging dei modelli ML e come salvarli, registrarli e caricarli. Imparerai a creare modelli MLflow personalizzati per offrire maggiore flessibilità ai tuoi casi d'uso e a valutare le prestazioni dei modelli. Utilizzerai il potente concetto di "Flavors" e infine userai lo strumento a riga di comando MLflow per la distribuzione dei modelli.
3
Registro dei modelli Mlflow
Questo capitolo introduce il concetto di MLflow chiamato Registro dei Modelli. Ti verrà spiegato come viene utilizzato il Registro dei Modelli per gestire il ciclo di vita dei modelli ML. Imparerai a creare e cercare modelli nel Registro dei Modelli. Imparerai poi a registrare i modelli nel Registro dei modelli e a passare i modelli da una fase all'altra. Infine, imparerai anche a distribuire i modelli dal Registro dei Modelli.
4
Progetti MLflow
In questo capitolo, acquisirai preziose conoscenze su come ottimizzare il tuo codice di data science per renderlo riutilizzabile e riproducibile utilizzando i progetti MLflow. Il capitolo inizia introducendo il concetto di progetti MLflow e ti guida nella creazione di un file MLproject. Da qui, imparerai a eseguire i progetti MLflow sia tramite la riga di comando che tramite il modulo Progetti MLflow, scoprendo anche la potenza dell'uso dei parametri per una maggiore flessibilità del tuo codice. Infine, imparerai a gestire le fasi del ciclo di vita dell'apprendimento automatico creando un flusso di lavoro multi-fase con MLflow Projects.
Introduzione a MLflow
Corso
completato
