Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Gerenciar o ciclo de vida de ponta a ponta de um aplicativo de machine learning pode ser uma tarefa assustadora para cientistas de dados, engenheiros e desenvolvedores. Os aplicativos de machine learning são complexos e têm um histórico comprovado de serem difíceis de rastrear, difíceis de reproduzir e problemáticos de implantar.
Neste curso, você aprenderá o que é o fluxo MLe como ele tenta simplificar as dificuldades do ciclo de vida do Machine Learning, como rastreamento, reprodutibilidade e implantação. Depois de aprender o fluxo do ML, você terá uma melhor compreensão de como superar as complexidades da criação de aplicativos de Machine Learning e como navegar pelos diferentes estágios do ciclo de vida do Machine Learning.
Ao longo do curso, você mergulhará fundo nos quatro principais componentes que compõem a plataforma de fluxo ML. Você explorará como rastrear modelos, métricas e parâmetros com o programa MLflow Tracking, empacotar código reproduzível ML usando o programa MLflow Projects, criar e implantar modelos usando o programa MLflow Models e armazenar e controlar a versão dos modelos usando o Model Registry.
À medida que avança no curso, você também aprenderá as práticas recomendadas de uso do fluxo MLpara modelos de controle de versão, como avaliar modelos, adicionar personalizações a modelos e como criar automação em execuções de treinamento. Este curso preparará você para ter sucesso no gerenciamento do ciclo de vida do seu próximo aplicativo de Machine Learning.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Introdução ao MLflow
Neste capítulo, você será apresentado ao MLflow e a como ele ajuda com algumas dificuldades do ciclo de vida de Machine Learning. Você conhecerá os quatro conceitos principais que compõem o MLflow, com foco em MLflow Tracking. Você vai aprender a criar experimentos e execuções, além de rastrear métricas, parâmetros e artefatos. Por fim, você fará buscas no MLflow programaticamente para encontrar execuções de experimentos que atendam a certos critérios.
2
MLflow Models
Neste capítulo, você será apresentado ao MLflow Models. O componente MLflow Models desempenha um papel essencial nas etapas de Avaliação de Modelo e Engenharia de Modelo do ciclo de vida de Machine Learning. Você vai aprender como o MLflow Models padroniza o empacotamento de modelos de ML e como salvá-los, registrá-los em log e carregá-los. Você vai aprender a criar modelos personalizados do MLflow para dar mais flexibilidade aos seus casos de uso e a avaliar o desempenho do modelo. Você utilizará o poderoso conceito de "Flavors" e, por fim, usará a ferramenta de linha de comando do MLflow para implantar modelos.
3
Mlflow Model Registry
Este capítulo apresenta o conceito do MLflow chamado Model Registry. Você verá como o Model Registry é usado para gerenciar o ciclo de vida de modelos de ML. Você vai aprender a criar e buscar modelos no Model Registry. Em seguida, vai aprender a registrar modelos no Model Registry e a transicionar modelos entre estágios predefinidos. Por fim, você também aprenderá a implantar modelos a partir do Model Registry.
4
MLflow Projects
Neste capítulo, você vai aprender a simplificar seu código de ciência de dados para reutilização e reprodutibilidade usando MLflow Projects. O capítulo começa apresentando o conceito de MLflow Projects e guiando você na criação de um arquivo MLproject. A partir daí, você vai aprender a executar MLflow Projects tanto pela linha de comando quanto pelo módulo MLflow Projects, e descobrir o poder de usar parâmetros para dar mais flexibilidade ao seu código. Por fim, você vai aprender a gerenciar etapas do ciclo de vida de Machine Learning criando um fluxo de trabalho multietapas com MLflow Projects.
Introdução ao MLflow
Curso
concluído
