Řazení kroků v MLflow

Aby modeling a vyhodnocování v rámci ML lifecycle fungovaly správně, je důležité udržovat si přehledný pracovní prostor a zaznamenávat historii experimentů – jen tak zajistíš srovnatelnost výsledků napříč běhy a jejich reprodukovatelnost. MLflow nabízí komplexní platformu, která ti s tím spolehlivě pomůže. Ve videu jsi viděl/a různé kroky a příkazy pro vytváření, spouštění, logování a načítání běhů. V tomto cvičení seřadíš příkazy MLflow tak, jak se obvykle používají při správě experimentů.