Przejdź do głównej treści

Strona główna Machine Learning

Kurs

Wprowadzenie do MLflow

ZaawansowanyPoziom umiejętności

Zaktualizowano 11.2024

Poznaj MLflow i uprość złożoność tworzenia aplikacji machine learning. Poznaj śledzenie, projekty, modele i rejestr modeli MLflow.

Zacznij kurs za darmo

MLflowMachine Learning

4 godz.

16 filmów

51 Ćwiczeń

3,750 XP

13,752

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

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

Supervised Learning with scikit-learn MLOps Concepts

1

Introduction to MLflow

In this Chapter, you will be introduced to MLflow and how it aims to assist with some difficulties of the Machine Learning lifecycle. You will be introduced to the four main concepts that make up MLflow with a main focus on MLflow Tracking. You will learn to create experiments and runs as well as how to track metrics, parameters, and artifacts. Finally, you will search MLflow programmatically to find experiment runs that fit certain criteria.

What is MLflow?

Components of MLflow

MLflow experiments

MLflow Tracking

Starting a run

Logging a run

How to retrieve active run data?

Querying runs

Search runs query options

Searching runs

Zacznij rozdział

2

MLflow Models

In this Chapter, you will be introduced to MLflow Models. The MLflow Models component of MLflow plays an essential role in the Model Evaluation and Model Engineering steps of the Machine Learning lifecycle. You will learn how MLflow Models standardizes the packaging of ML models as well as how to save, log and load them. You will learn how to create custom MLflow Models to provide more flexibility to your use cases as well as how to evaluate model performance. You will utilize the powerful concept of “Flavors” and finally use the MLflow command line tool for model deployment.

Introduction to MLflow Models

Package a machine learning model

Storage Format

What's in an MLmodel file?

Saving and loading a model

Logging and loading a model

Custom models

Creating a custom Python Class

Custom scikit-learn model

Scikit-learn flavor and evaluation

Model serving

Serving a model

Score from a served model

Zacznij rozdział

3

Mlflow Model Registry

This Chapter introduces the concept of MLflow called the Model Registry. You will be introduced to how the Model Registry is used to manage the lifecycle of ML models. You will learn how to create and search for models in the Model Registry. You then learn how to register models to the Model Registry and learn how to transition models between predefined stages. Finally, you will also learn how to deploy models from the Model Registry.

Introduction to MLflow Model Registry

Create a Model

Searching Models

Registering Models

Registering existing models

Registering new models

Model stages

Model stages in Model Registry

Transitioning model stages

Model deployment

Serving models from the Model Registry

Loading models from the Model Registry

Zacznij rozdział

4

MLflow Projects

In this chapter, you'll gain valuable knowledge on how to streamline your data science code for reusability and reproducibility using MLflow Projects. The chapter begins by introducing the concept of MLflow Projects and walking you through creating an MLproject file. From there, you'll learn how to run MLflow Projects through both the command-line and the MLflow Projects module while also discovering the power of using parameters for added flexibility in your code. Finally, you will learn how to manage steps of the machine learning lifecycle by creating a multi-step workflow using MLflow Projects.

Introduction to MLflow Projects

MLproject file layout

Creating an MLproject

Running MLflow Projects

MLflow run command

MLflow projects module

Specifying parameters

Adding parameters to MLproject

Adding parameters to project run

Creating an MLproject for the ML Lifecycle: Model Engineering

Creating an MLproject for the ML Lifecycle: Model Evaluation

Creating a multi-step workflow: Model Engineering

Creating a multi-step workflow: Model Evaluation

Zacznij rozdział

Wprowadzenie do MLflow

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Wprowadzenie do MLflow już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.