After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
管理机器学习应用的端到端生命周期，对数据科学家、工程师和开发人员来说可能是一项艰巨的任务。 机器学习应用复杂，而且已被证明难以跟踪、难以复现，并且部署起来存在问题。
在本课程中，你将了解 MLflow 是什么，以及它如何尝试简化机器学习生命周期中的诸多难题，例如跟踪、可复现性和部署。 在学习 MLflow 之后，您将更好地理解如何克服构建机器学习应用程序的复杂性，以及如何应对机器学习生命周期的不同阶段。
在整个课程中，您将深入了解构成 MLflow 平台的四个主要组件。 你将学习如何使用 MLflow Tracking 跟踪模型、指标和参数，使用 MLflow Projects 打包可复现的机器学习代码，使用 MLflow Models 创建并部署模型，以及使用 Model Registry 存储和进行版本控制。
随着你在课程中不断深入，你还将学习使用 MLflow 对模型进行版本管理的最佳实践，了解如何评估模型、为模型添加自定义功能，以及如何将自动化融入训练运行中。 本课程将帮助您在管理下一个机器学习应用的整个生命周期中取得成功。
先修要求
课程大纲
课程大纲
1
MLflow 入门
本章将向您介绍 MLflow，以及它如何帮助解决机器学习生命周期中的一些难题。您将认识构成 MLflow 的四个核心概念，并重点学习 MLflow Tracking。您将学会创建实验与运行，并追踪指标、参数和制品。最后，您还将通过编程方式搜索 MLflow，找到符合特定条件的实验运行。
2
MLflow Models
本章将向您介绍 MLflow Models。MLflow 中的 Models 组件在机器学习生命周期的模型评估与模型工程阶段起着关键作用。您将学习 MLflow Models 如何标准化 ML 模型的打包方式，以及如何保存、记录和加载模型。您还将学习如何创建自定义 MLflow 模型，以便在您的用例中具备更高的灵活性，并评估模型性能。您将使用强大的"Flavors"概念，最后通过 MLflow 命令行工具完成模型部署。
3
MLflow Model Registry
本章将介绍 MLflow 的 Model Registry 概念。您将了解如何使用 Model Registry 来管理 ML 模型的全生命周期。您将学习如何在 Model Registry 中创建与搜索模型。随后，您会学习如何将模型注册到 Model Registry，并在预定义阶段之间转换模型。最后，您还将学习如何从 Model Registry 部署模型。
4
MLflow Projects
在本章中，您将学习如何使用 MLflow Projects 提升数据科学代码的可复用性与可复现性。章节将从介绍 MLflow Projects 的概念开始，并带您创建一个 MLproject 文件。随后，您将学习如何通过命令行与 MLflow Projects 模块运行项目，并了解使用参数为代码带来的灵活性。最后，您将学习如何构建一个使用 MLflow Projects 的多步骤工作流，以管理机器学习生命周期中的各个步骤。
MLflow 入门
课程完成
