After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Zarządzanie pełnym cyklem życia aplikacji Machine Learning może być trudnym zadaniem dla data scientistów, inżynierów i programistów. Aplikacje uczenia maszynowego są złożone i mają udokumentowaną historię tego, że trudno je śledzić, trudno odtworzyć i problematycznie wdrożyć.
W tym kursie dowiesz się, czym jest MLflow i jak pomaga uprościć wyzwania związane z cyklem życia Machine Learning, takie jak śledzenie, odtwarzalność i wdrażanie. Po opanowaniu MLflow będziesz lepiej rozumieć, jak pokonywać złożoność tworzenia aplikacji Machine Learning oraz jak poruszać się po różnych etapach cyklu życia Machine Learning.
W trakcie kursu zagłębisz się w cztery główne komponenty, które tworzą platformę MLflow. Poznasz, jak śledzić modele, metryki i parametry za pomocą MLflow Tracking, pakować powtarzalny kod ML przy użyciu MLflow Projects, tworzyć i wdrażać modele z wykorzystaniem MLflow Models oraz przechowywać modele i zarządzać ich wersjami za pomocą Model Registry.
W miarę postępów w kursie poznasz także najlepsze praktyki korzystania z MLflow do wersjonowania modeli, dowiesz się, jak oceniać modele, dodawać do nich własne modyfikacje oraz jak wbudować automatyzację w uruchomienia treningowe. Ten kurs przygotuje Cię do skutecznego zarządzania cyklem życia Twojej kolejnej aplikacji Machine Learning.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do MLflow
W tym rozdziale poznasz MLflow i dowiesz się, jak pomaga rozwiązywać typowe trudności związane z cyklem życia modeli uczenia maszynowego. Zapoznasz się z czterema głównymi koncepcjami składającymi się na MLflow, ze szczególnym naciskiem na MLflow Tracking. Nauczysz się tworzyć eksperymenty i uruchomienia, a także śledzić metryki, parametry i artefakty. Na koniec nauczysz się programowo przeszukiwać MLflow w celu znajdowania uruchomień eksperymentów spełniających określone kryteria.
2
Modele MLflow
W tym rozdziale poznasz modele MLflow. Komponent MLflow Models odgrywa kluczową rolę w etapach oceny i inżynierii modeli w cyklu życia uczenia maszynowego. Dowiesz się, jak MLflow Models standaryzuje pakowanie modeli ML oraz jak je zapisywać, rejestrować i wczytywać. Nauczysz się tworzyć własne modele MLflow, aby uzyskać większą elastyczność w swoich projektach, a także jak oceniać wydajność modeli. Skorzystasz z potężnej koncepcji „Flavors" i na koniec użyjesz narzędzia wiersza poleceń MLflow do wdrożenia modelu.
3
Rejestr modeli MLflow
Ten rozdział wprowadza koncepcję rejestru modeli MLflow (Model Registry). Dowiesz się, jak rejestr modeli służy do zarządzania cyklem życia modeli ML. Nauczysz się tworzyć modele w rejestrze i wyszukiwać je. Następnie poznasz sposób rejestrowania modeli oraz przenoszenia ich między predefiniowanymi etapami. Na koniec dowiesz się również, jak wdrażać modele z rejestru modeli.
4
Projekty MLflow
W tym rozdziale zdobędziesz praktyczną wiedzę na temat tego, jak usprawnić kod do analizy danych pod kątem wielokrotnego użytku i odtwarzalności, korzystając z projektów MLflow. Rozdział zaczyna się od omówienia koncepcji MLflow Projects i przeprowadzi cię przez proces tworzenia pliku MLproject. Następnie dowiesz się, jak uruchamiać projekty MLflow zarówno z poziomu wiersza poleceń, jak i modułu MLflow Projects, a także odkryjesz możliwości, jakie daje stosowanie parametrów. Na koniec nauczysz się zarządzać etapami cyklu życia modelu, tworząc wieloetapowy przepływ pracy z użyciem MLflow Projects.
Wprowadzenie do MLflow
Kurs
ukończony
