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

14,058

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

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.

Czym jest MLflow?

Komponenty MLflow

Eksperymenty w MLflow

MLflow Tracking

Uruchamianie przebiegu

Rejestrowanie przebiegu

Jak pobrać dane aktywnego uruchomienia?

Wyszukiwanie przebiegów

Opcje zapytań do przebiegów

Wyszukiwanie przebiegów

Zacznij rozdział

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.

Wprowadzenie do MLflow Models

Pakowanie modelu uczenia maszynowego

Format przechowywania

Co zawiera plik MLmodel?

Zapisywanie i wczytywanie modelu

Rejestrowanie i ładowanie modelu

Modele niestandardowe

Tworzenie niestandardowej klasy Pythona

Niestandardowy model scikit-learn

Smak scikit-learn i ewaluacja modelu

Serwowanie modeli

Serwowanie modelu

Pobieranie wyniku z obsługiwanego modelu

Zacznij rozdział

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.

Wprowadzenie do MLflow Model Registry

Tworzenie modelu

Wyszukiwanie modeli

Rejestrowanie modeli

Rejestrowanie istniejących modeli

Rejestrowanie nowych modeli

Etapy modelu

Etapy modeli w Rejestrze Modeli

Przechodzenie między etapami modelu

Wdrażanie modelu

Serwowanie modeli z Model Registry

Wczytywanie modeli z Model Registry

Zacznij rozdział

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 Projects

Struktura pliku MLproject

Tworzenie pliku MLproject

Uruchamianie projektów MLflow

Polecenie mlflow run

Moduł mlflow projects

Określanie parametrów

Dodawanie parametrów do MLproject

Dodawanie parametrów do uruchomienia projektu

Przepływy pracy

Tworzenie pliku MLproject dla cyklu życia modelu: inżynieria modelu

Tworzenie pliku MLproject dla cyklu życia ML: Ocena modelu

Tworzenie wieloetapowego przepływu pracy: inżynieria modelu

Tworzenie wieloetapowego przepływu pracy: ocena modelu

Podsumowanie

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.