Name: Вступ до MLflow
Rating: 4.774774774774775 (777 reviews)

Опис курсу

Керування повним життєвим циклом застосунку Machine Learning може бути складним завданням для data scientists, інженерів і розробників. Застосування машинного навчання є складними та мають підтверджену історію того, що їх важко відстежувати, складно відтворювати й проблематично впроваджувати.

У цьому курсі ви дізнаєтеся, що таке MLflow і як він допомагає спростити складнощі життєвого циклу Machine Learning, зокрема відстеження, відтворюваність і розгортання. Після вивчення MLflow ви краще зрозумієте, як долати складнощі створення застосунків Machine Learning і як орієнтуватися на різних етапах життєвого циклу Machine Learning.

Протягом усього курсу ви детально ознайомитеся з чотирма основними компонентами, що складають платформу MLflow. Ви дізнаєтеся, як відстежувати моделі, метрики та параметри за допомогою MLflow Tracking, пакувати відтворюваний ML-код за допомогою MLflow Projects, створювати й розгортати моделі за допомогою MLflow Models, а також зберігати моделі й керувати їхніми версіями за допомогою Model Registry.

У міру проходження курсу ви також опануєте найкращі практики використання MLflow для версіонування моделей, дізнаєтеся, як оцінювати моделі, додавати до них налаштування та вбудовувати автоматизацію в навчальні запуски. Цей курс підготує вас до успіху в керуванні життєвим циклом вашого наступного застосунку Machine Learning.

Попередні вимоги

Supervised Learning with scikit-learn MLOps Concepts

Навчальний план

Зміст курсу

Вступ до MLflow

У цьому розділі ви познайомитеся з MLflow і з тим, як він допомагає долати окремі труднощі життєвого циклу машинного навчання. Ви дізнаєтеся про чотири основні компоненти MLflow з головним акцентом на MLflow Tracking. Ви навчитеся створювати експерименти та прогони, а також відстежувати метрики, параметри й артефакти. Нарешті, ви виконуватимете програмний пошук у MLflow, щоб знаходити прогони експериментів за заданими критеріями.

Почати розділ

MLflow Models

У цьому розділі ви познайомитеся з MLflow Models. Компонент MLflow Models відіграє ключову роль на етапах оцінювання моделей і інженерії моделей у життєвому циклі машинного навчання. Ви дізнаєтеся, як MLflow Models стандартизує пакування ML-моделей, а також як їх зберігати, логувати та завантажувати. Ви навчитеся створювати власні MLflow Models для більшої гнучкості у ваших сценаріях, а також оцінювати якість моделей. Ви застосуєте потужну концепцію «Flavors» і врешті скористаєтеся інструментом командного рядка MLflow для розгортання моделей.

Почати розділ

MLflow Model Registry

Цей розділ знайомить з концепцією MLflow під назвою Model Registry. Ви дізнаєтеся, як Model Registry використовують для керування життєвим циклом ML-моделей. Ви навчитеся створювати моделі в Model Registry і шукати їх. Потім ви дізнаєтеся, як реєструвати моделі в Model Registry і переводити їх між наперед визначеними стадіями. Нарешті, ви також навчитеся розгортати моделі безпосередньо з Model Registry.

Почати розділ

MLflow Projects

У цьому розділі ви дізнаєтеся, як упорядкувати свій код data science для повторного використання та відтворюваності за допомогою MLflow Projects. Спочатку ми розглянемо поняття MLflow Projects і крок за кроком створимо файл MLproject. Далі ви навчитеся запускати MLflow Projects як через командний рядок, так і через модуль MLflow Projects, а також побачите переваги параметрів для більшої гнучкості коду. Наприкінці ви опануєте, як керувати етапами життєвого циклу машинного навчання, створивши багатокроковий робочий процес на базі MLflow Projects.