After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Att hantera hela livscykeln för en Machine Learning-applikation från början till slut kan vara en utmanande uppgift för data scientists, ingenjörer och utvecklare. Maskininlärningstillämpningar är komplexa och har visat sig vara svåra att följa upp, svåra att reproducera och problematiska att driftsätta.
I den här kursen får du lära dig vad MLflow är och hur det försöker förenkla utmaningarna i Machine Learning-livscykeln, såsom spårning, reproducerbarhet och driftsättning. Efter att ha lärt dig MLflow kommer du att få en bättre förståelse för hur du kan övervinna komplexiteten i att bygga maskininlärningsapplikationer och hur du kan navigera genom olika steg i maskininlärningslivscykeln.
Under kursens gång kommer du att fördjupa dig i de fyra huvudkomponenterna som utgör MLflow-plattformen. Du kommer att utforska hur du spårar modeller, mätvärden och parametrar med MLflow Tracking, paketerar reproducerbar ML-kod med MLflow Projects, skapar och distribuerar modeller med MLflow Models samt lagrar och versionshanterar modeller med Model Registry.
Allteftersom du går igenom kursen kommer du också att lära dig bästa praxis för att använda MLflow för versionshantering av modeller, hur du utvärderar modeller, lägger till anpassningar i modeller och hur du bygger in automatisering i träningskörningar. Den här kursen förbereder dig för att lyckas med att hantera livscykeln för din nästa Machine Learning-applikation.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till MLflow
I det här kapitlet får du en introduktion till MLflow och hur det hjälper till att lösa en del av utmaningarna i maskininlärningens livscykel. Du introduceras till de fyra huvudkoncepten i MLflow, med fokus på MLflow Tracking. Du lär dig att skapa experiment och körningar samt hur du spårar mätvärden, parametrar och artefakter. Slutligen söker du i MLflow programmatiskt för att hitta experimentkörningar som uppfyller vissa kriterier.
2
MLflow Models
I det här kapitlet får du en introduktion till MLflow Models. Komponenten MLflow Models spelar en central roll i stegen för modellutvärdering och modellkonstruktion i maskininlärningens livscykel. Du lär dig hur MLflow Models standardiserar paketering av ML-modeller samt hur du sparar, loggar och läser in dem. Du lär dig också att skapa anpassade MLflow Models för ökad flexibilitet i dina användningsfall, samt hur du utvärderar modellprestanda. Du utnyttjar det kraftfulla konceptet "Flavors" och använder slutligen MLflows kommandoradsverktyg för driftsättning av modeller.
3
MLflow Model Registry
Det här kapitlet introducerar MLflow-konceptet Model Registry. Du får lära dig hur Model Registry används för att hantera livscykeln för ML-modeller. Du lär dig att skapa och söka efter modeller i Model Registry. Därefter lär du dig att registrera modeller i Model Registry och hur du flyttar modeller mellan fördefinierade stadier. Slutligen lär du dig också att driftsätta modeller från Model Registry.
4
MLflow Projects
I det här kapitlet får du värdefulla kunskaper om hur du strukturerar din datavetenskapliga kod för återanvändbarhet och reproducerbarhet med hjälp av MLflow Projects. Kapitlet börjar med att introducera konceptet MLflow Projects och visar dig hur du skapar en MLproject-fil. Sedan lär du dig att köra MLflow Projects både via kommandoraden och via MLflow Projects-modulen, och du ser hur parametrar ger ökad flexibilitet i din kod. Slutligen lär du dig att hantera steg i maskininlärningens livscykel genom att skapa ett flerstegsarbetsflöde med MLflow Projects.
Introduktion till MLflow
Kurs
slutförd
