MLexperimentos de flujo

MLLos experimentos de flujo se utilizan como una forma de organizar los datos de las ejecuciones de entrenamiento de forma que se puedan buscar y consultar fácilmente para nuestro análisis posterior.

En este ejercicio, utilizarás el módulo de flujo MLpara crear un nuevo experimento llamado Unicorn Model para tu nuevo proyecto ML. Añadirás información útil al experimento estableciendo etiquetas para la versión. Por último, establecerás el experimento Unicorn Model como tu experimento actual, de modo que cuando comiences el seguimiento, tus datos se seguirán dentro de este experimento concreto.

Este ejercicio forma parte del curso

Introducción a MLflow

Instrucciones del ejercicio

Importa el módulo de flujo ML.
Crea un nuevo experimento llamado "Unicorn Model".
En Unicorn Model, establece las etiquetas como "version" y "1.0".
Establece el experimento "Unicorn Model" como experimento actual para el seguimiento.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Import MLflow
import ____

# Create new experiment
mlflow.____("____ ____")

# Tag new experiment
mlflow.____("____", "____")

# Set the experiment
mlflow.____("____ ____")

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción a MLflow

AvanzadoNivel de habilidad

4.8+

Comienza el curso gratis

En este capítulo, te presentaremos MLflow y cómo busca ayudarte con algunas de las dificultades del ciclo de vida de Machine Learning. Conocerás los cuatro conceptos principales que componen MLflow, con un enfoque en MLflow Tracking. Aprenderás a crear experimentos y ejecuciones, así como a registrar métricas, parámetros y artefactos. Por último, consultarás MLflow de forma programática para encontrar ejecuciones de experimentos que cumplan ciertos criterios.

Exercise 1: ¿Qué es el flujo ML?Exercise 2: Componentes del flujo ML Exercise 3: MLexperimentos de flujo

Ejercicio actual

Exercise 4: MLSeguimiento del flujo Exercise 5: Iniciar una carrera Exercise 6: Registrar una ejecución Exercise 7: ¿Cómo recuperar los datos de ejecución activos?Exercise 8: Consulta de ejecuciones Exercise 9: Buscar ejecuta opciones de consulta Exercise 10: Recorridos de búsqueda

En este capítulo, te presentaremos los Modelos de MLflow. El componente MLflow Models desempeña un papel esencial en las etapas de Evaluación de modelos e Ingeniería de modelos del ciclo de vida de Machine Learning. Aprenderás cómo MLflow Models estandariza el empaquetado de modelos de ML y cómo guardarlos, registrarlos y cargarlos. Verás cómo crear modelos personalizados de MLflow para aportar más flexibilidad a tus casos de uso y cómo evaluar el rendimiento del modelo. Utilizarás el potente concepto de “Flavors” y, para terminar, usarás la herramienta de línea de comandos de MLflow para el despliegue de modelos.

Exercise 1: Introducción a MLmodelos de flujo Exercise 2: Empaquetar un modelo de aprendizaje automático Exercise 3: Formato de almacenamiento Exercise 4: ¿Qué contiene un archivo de modelo ML?Exercise 5: Modelo API Exercise 6: Guardar y cargar un modelo Exercise 7: Registrar y cargar un modelo Exercise 8: Modelos a medida Exercise 9: Crear una clase Python personalizada Exercise 10: Modelo scikit-learn personalizado Exercise 11: Sabor y evaluación de Scikit-learn Exercise 12: Modelo que sirve Exercise 13: Sirviendo a un modelo Exercise 14: Puntuación de un modelo servido

Este capítulo presenta el concepto de MLflow denominado Model Registry. Verás cómo se usa el Model Registry para gestionar el ciclo de vida de los modelos de ML. Aprenderás a crear y buscar modelos en el Model Registry. Después, aprenderás a registrar modelos en el Model Registry y a hacer la transición de modelos entre etapas predefinidas. Por último, también aprenderás a desplegar modelos desde el Model Registry.

Exercise 1: Introducción al Registro de Modelos de flujo ML Exercise 2: Crear un modelo Exercise 3: Búsqueda de modelos Exercise 4: Registro de modelos Exercise 5: Registrar modelos existentes Exercise 6: Registrar nuevos modelos Exercise 7: Etapas del modelo Exercise 8: Etapas del modelo en el Registro de Modelos Exercise 9: Etapas del modelo de transición Exercise 10: Despliegue del modelo Exercise 11: Servir modelos del Registro de Modelos Exercise 12: Cargar modelos desde el Registro de Modelos

En este capítulo, aprenderás a optimizar tu código de ciencia de datos para que sea reutilizable y reproducible usando Proyectos de MLflow. El capítulo comienza introduciendo el concepto de Proyectos de MLflow y guiándote en la creación de un archivo MLproject. A partir de ahí, aprenderás a ejecutar Proyectos de MLflow tanto desde la línea de comandos como con el módulo de Proyectos de MLflow y descubrirás el poder de usar parámetros para aportar más flexibilidad a tu código. Por último, aprenderás a gestionar pasos del ciclo de vida de Machine Learning creando un flujo de trabajo de varios pasos con Proyectos de MLflow.

Exercise 1: Introducción a MLflujo Proyectos Exercise 2: MLdiseño del archivo del proyecto Exercise 3: Crear un proyecto ML Exercise 4: Ejecutar proyectos de flujo ML Exercise 5: MLorden de ejecución de flujo Exercise 6: MLmódulo de proyectos de flujo Exercise 7: Especificación de parámetros Exercise 8: Añadir parámetros al proyecto ML Exercise 9: Añadir parámetros a la ejecución del proyecto Exercise 10: Flujos de trabajo Exercise 11: Crear un proyecto MLpara el ciclo de vida ML: Ingeniería de modelos Exercise 12: Crear un proyecto MLpara el ciclo de vida ML: Evaluación del modelo Exercise 13: Crear un flujo de trabajo de varios pasos: Ingeniería de modelos Exercise 14: Crear un flujo de trabajo de varios pasos: Evaluación del modelo Exercise 15: Resumen