Crear un proyecto MLpara el ciclo de vida ML: Evaluación del modelo

En este ejercicio, seguirás creando tu archivo MLproject para gestionar los pasos del ciclo de vida de ML. Crearás otro punto de entrada llamado model_evaluation. Este paso del flujo de trabajo acepta la salida run_id del paso model_engineering y ejecuta la evaluación del modelo utilizando los datos de entrenamiento de nuestro conjunto de datos de Seguros.

Puedes imprimir el archivo actual MLproject utilizando la Shell ython IPy ejecutando print(MLproject).

Este ejercicio forma parte del curso

Introducción a MLflow

Instrucciones del ejercicio

Crea un punto de entrada llamado model_evaluation.
Configura los parámetros de run_id.
Coloca el parámetro dentro del comando.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

"""
  # Set the model_evaluation entry point
  ____:
    parameters:
      # Set run_id parameter
      ____:
        type: str 
        default: None
    # Set the parameters in the command
    command: "python3.9 evaluate.py {____}"
"""

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 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

Ejercicio actual

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