After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Gestionarea ciclului de viață complet al unei aplicații de Machine Learning poate fi o sarcină descurajantă pentru data scientists, ingineri și dezvoltatori. Aplicațiile de Machine Learning sunt complexe și au demonstrat în mod clar că sunt greu de urmărit, dificil de reprodus și problematice de implementat.
În acest curs, vei afla ce este MLflow și cum încearcă să simplifice dificultățile ciclului de viață al Machine Learning, precum urmărirea, reproductibilitatea și implementarea. După ce înveți MLflow, vei înțelege mai bine cum să depășești complexitățile construirii aplicațiilor de Machine Learning și cum să navighezi prin diferitele etape ale ciclului de viață al Machine Learning-ului.
Pe parcursul cursului, vei aprofunda cele patru componente majore care alcătuiesc platforma MLflow. Vei explora cum să urmărești modelele, metricile și parametrii cu MLflow Tracking, să împachetezi cod ML reproductibil folosind MLflow Projects, să creezi și să implementezi modele folosind MLflow Models și să stochezi și să gestionezi versiunile modelelor cu Model Registry.
Pe măsură ce avansezi în curs, vei învăța și cele mai bune practici pentru utilizarea MLflow în versionarea modelelor, cum să evaluezi modelele, să adaugi personalizări modelelor și cum să integrezi automatizarea în rulările de antrenare. Acest curs te va pregăti pentru succes în gestionarea ciclului de viață al următoarei tale aplicații de Machine Learning.
Cerințe prealabile
Curriculum
Structura cursului
1
Introducere în MLflow
În acest capitol, vei face cunoștință cu MLflow și vei descoperi cum abordează unele dintre dificultățile ciclului de viață al aplicațiilor de Machine Learning. Vei fi introdus în cele patru concepte principale ale MLflow, cu accent pe MLflow Tracking. Vei învăța să creezi experimente și rulări, precum și cum să urmărești metrici, parametri și artefacte. În final, vei interoga MLflow programatic pentru a găsi rulări de experimente care îndeplinesc anumite criterii.
2
Modele MLflow
În acest capitol, vei face cunoștință cu Modelele MLflow. Componenta MLflow Models joacă un rol esențial în etapele de evaluare și inginerie a modelelor din ciclul de viață al Machine Learning. Vei învăța cum MLflow Models standardizează ambalarea modelelor ML, precum și cum să le salvezi, să le înregistrezi și să le încarci. Vei descoperi cum să creezi modele MLflow personalizate pentru mai multă flexibilitate, cum să evaluezi performanța modelelor, cum să folosești conceptul puternic al „Flavors" și, în final, cum să implementezi modele cu ajutorul instrumentului de linie de comandă MLflow.
3
Registrul de modele MLflow
Acest capitol introduce conceptul de Registru de modele din MLflow. Vei afla cum este utilizat Registrul de modele pentru a gestiona ciclul de viață al modelelor ML. Vei învăța să creezi modele și să le cauți în Registrul de modele, să înregistrezi modele și să le tranziționezi între etape predefinite. În final, vei învăța și cum să implementezi modele direct din Registrul de modele.
4
Proiecte MLflow
În acest capitol, vei dobândi cunoștințe valoroase despre cum să îți structurezi codul de știința datelor pentru reutilizare și reproductibilitate, folosind Proiectele MLflow. Capitolul începe prin introducerea conceptului de Proiecte MLflow și te ghidează prin crearea unui fișier MLproject. Vei învăța cum să rulezi Proiecte MLflow atât din linia de comandă, cât și prin modulul MLflow Projects, și vei descoperi puterea parametrilor pentru mai multă flexibilitate în cod. În final, vei vedea cum să gestionezi etapele ciclului de viață al unui proiect de Machine Learning prin crearea unui flux de lucru cu mai mulți pași, folosind Proiectele MLflow.
Introducere în MLflow
Curs
finalizat
