Name: Введение в MLflow
Rating: 4.774774774774775 (777 reviews)

Описание курса

Управление полным жизненным циклом приложения машинного обучения может быть непростой задачей для специалистов по данным, инженеров и разработчиков. Приложения машинного обучения сложны и на практике часто оказываются трудными для отслеживания, воспроизведения и внедрения.

В этом курсе вы узнаете, что такое MLflow и как он помогает упростить сложности жизненного цикла машинного обучения, такие как отслеживание, воспроизводимость и развертывание. После изучения MLflow вы лучше поймёте, как преодолевать сложности при создании приложений машинного обучения и как ориентироваться на разных этапах жизненного цикла машинного обучения.

На протяжении всего курса вы подробно изучите четыре основных компонента, из которых состоит платформа MLflow. Вы узнаете, как отслеживать модели, метрики и параметры с помощью MLflow Tracking, упаковывать воспроизводимый ML-код с помощью MLflow Projects, создавать и развёртывать модели с помощью MLflow Models, а также хранить модели и управлять их версиями с помощью Model Registry.

По мере прохождения курса вы также узнаете лучшие практики использования MLflow для версионирования моделей, как оценивать модели, добавлять в них настройки и как автоматизировать процессы обучения. Этот курс подготовит вас к успешному управлению жизненным циклом вашего следующего приложения машинного обучения.

Предварительные требования

Supervised Learning with scikit-learn MLOps Concepts

Программа

Структура курса

Введение в MLflow

В этой главе вы познакомитесь с MLflow и узнаете, как он помогает решать типичные сложности жизненного цикла машинного обучения. Вы изучите четыре основных компонента MLflow, уделив особое внимание MLflow Tracking. Вы научитесь создавать эксперименты и запуски, а также отслеживать метрики, параметры и артефакты. В завершение вы узнаете, как программно выполнять поиск по запускам экспериментов по заданным критериям.

Начать главу

Модели MLflow

В этой главе вы познакомитесь с моделями MLflow. Компонент MLflow Models играет ключевую роль на этапах оценки и разработки моделей в жизненном цикле машинного обучения. Вы узнаете, как MLflow Models стандартизирует упаковку моделей машинного обучения, а также как сохранять, логировать и загружать их. Вы научитесь создавать пользовательские модели MLflow для большей гибкости, оценивать качество моделей и использовать мощную концепцию «Flavors». В конце главы вы воспользуетесь инструментом командной строки MLflow для развёртывания модели.

Начать главу

Реестр моделей MLflow

В этой главе рассматривается компонент MLflow — реестр моделей. Вы узнаете, как реестр моделей используется для управления жизненным циклом моделей машинного обучения. Вы научитесь создавать модели в реестре и выполнять их поиск, регистрировать модели и переводить их между предопределёнными стадиями. В завершение вы узнаете, как развёртывать модели из реестра моделей.

Начать главу

Проекты MLflow

В этой главе вы узнаете, как сделать код для задач науки о данных более удобным для повторного использования и воспроизводимости с помощью проектов MLflow. Глава начинается с введения в концепцию MLflow Projects и пошагового создания файла MLproject. Затем вы научитесь запускать проекты MLflow через командную строку и модуль MLflow Projects, а также узнаете, как использовать параметры для большей гибкости кода. В заключение вы научитесь управлять этапами жизненного цикла машинного обучения, создавая многошаговые рабочие процессы с помощью MLflow Projects.