Build your ultimate AI agent
รายละเอียดคอร์ส
การจัดการวงจรชีวิตแบบครบวงจรของแอปพลิเคชัน Machine Learning อาจเป็นงานที่ท้าทายอย่างยิ่งสำหรับนักวิทยาศาสตร์ข้อมูล วิศวกร และนักพัฒนา แอปพลิเคชัน Machine Learning มีความซับซ้อน และมีประวัติที่พิสูจน์แล้วว่าเป็นเรื่องยากต่อการติดตาม ยากต่อการทำซ้ำ และมีปัญหาในการนำไปใช้งานจริง
ในหลักสูตรนี้ คุณจะได้เรียนรู้ว่า MLflow คืออะไร และมันพยายามทำให้ความท้าทายต่าง ๆ ของวงจรชีวิต Machine Learning ง่ายขึ้นอย่างไร เช่น การติดตามผล การทำซ้ำได้ และการนำไปใช้งานจริง หลังจากเรียนรู้ MLflow แล้ว คุณจะเข้าใจได้ดียิ่งขึ้นว่าจะเอาชนะความซับซ้อนของการสร้างแอปพลิเคชัน Machine Learning ได้อย่างไร และจะนำทางผ่านขั้นตอนต่าง ๆ ของวงจรชีวิต Machine Learning ได้อย่างไร
ตลอดทั้งหลักสูตร คุณจะได้เจาะลึกองค์ประกอบหลัก 4 ส่วนที่ประกอบกันเป็นแพลตฟอร์ม MLflow คุณจะได้เรียนรู้วิธีติดตามโมเดล เมตริก และพารามิเตอร์ด้วย MLflow Tracking แพ็กโค้ด ML สำหรับการทำซ้ำได้ด้วย MLflow Projects สร้างและนำโมเดลไปใช้งานด้วย MLflow Models และจัดเก็บพร้อมควบคุมเวอร์ชันของโมเดลด้วย Model Registry
เมื่อคุณเรียนไปตามหลักสูตรนี้ คุณจะได้เรียนรู้แนวปฏิบัติที่ดีที่สุดในการใช้ MLflow สำหรับการจัดการเวอร์ชันของโมเดล วิธีประเมินโมเดล วิธีเพิ่มการปรับแต่งให้กับโมเดล และวิธีสร้างระบบอัตโนมัติให้กับการรันการฝึกสอนด้วย คอร์สนี้จะเตรียมคุณให้พร้อมสำหรับความสำเร็จในการบริหารจัดการวงจรชีวิตของแอปพลิเคชัน Machine Learning ถัดไปของคุณ
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
MLflow เบื้องต้น
ในบทนี้ คุณจะได้รู้จักกับ MLflow และแนวทางที่ MLflow ใช้ในการแก้ปัญหาความท้าทายของวงจรชีวิต Machine Learning จะได้เรียนรู้แนวคิดหลัก 4 ประการของ MLflow โดยเน้นที่ MLflow Tracking เป็นพิเศษ รวมถึงวิธีสร้าง experiment และ run ตลอดจนการติดตาม metric, parameter และ artifact สุดท้าย คุณจะได้เรียนรู้การค้นหาข้อมูลใน MLflow แบบ programmatic เพื่อกรอง experiment run ตามเงื่อนไขที่ต้องการ
2
MLflow Models
ในบทนี้ คุณจะได้รู้จักกับ MLflow Models ซึ่งเป็นองค์ประกอบสำคัญของ MLflow ที่มีบทบาทหลักในขั้นตอน Model Evaluation และ Model Engineering ของวงจรชีวิต Machine Learning คุณจะได้เรียนรู้ว่า MLflow Models ช่วยสร้างมาตรฐานในการ package โมเดล ML รวมถึงวิธีบันทึก log และโหลดโมเดล นอกจากนี้ยังได้เรียนรู้การสร้าง custom MLflow Model เพื่อเพิ่มความยืดหยุ่นให้กับกรณีการใช้งานของคุณ และวิธีประเมินประสิทธิภาพโมเดล รวมถึงการใช้แนวคิด "Flavors" และการใช้เครื่องมือ command line ของ MLflow สำหรับการ deploy โมเดล
3
MLflow Model Registry
บทนี้แนะนำแนวคิด Model Registry ใน MLflow คุณจะได้เรียนรู้ว่า Model Registry ใช้จัดการวงจรชีวิตของโมเดล ML อย่างไร ตั้งแต่การสร้างและค้นหาโมเดลใน Model Registry การลงทะเบียนโมเดล ไปจนถึงการเปลี่ยนสถานะโมเดลระหว่าง stage ที่กำหนดไว้ล่วงหน้า และสุดท้ายคุณจะได้เรียนรู้วิธี deploy โมเดลจาก Model Registry
4
MLflow Projects
ในบทนี้ คุณจะได้เรียนรู้วิธีจัดระเบียบโค้ด data science ให้นำกลับมาใช้ใหม่และทำซ้ำผลลัพธ์ได้ด้วย MLflow Projects บทเรียนเริ่มจากการแนะนำแนวคิด MLflow Projects และการสร้างไฟล์ MLproject จากนั้นคุณจะได้เรียนรู้วิธีรัน MLflow Projects ทั้งผ่าน command-line และ MLflow Projects module พร้อมทั้งค้นพบประโยชน์ของการใช้ parameter เพื่อเพิ่มความยืดหยุ่นให้กับโค้ด สุดท้าย คุณจะได้เรียนรู้การจัดการขั้นตอนต่าง ๆ ของวงจรชีวิต Machine Learning ด้วยการสร้าง multi-step workflow โดยใช้ MLflow Projects
MLflow เบื้องต้น
เรียนจบแล้ว
