Perintah mlflow run

Perintah mlflow run adalah antarmuka baris perintah untuk menjalankan MLflow Projects. Perintah run menerima argumen untuk entry point, nama eksperimen, dan URI yang memuat MLproject yang mendeskripsikan Project.

Anda dapat menguji setiap perintah run di IPython Shell dengan menambahkan ! di awal perintah.

Manakah dari perintah run berikut yang digunakan untuk menjalankan sebuah MLflow Project di mana berkas MLproject berada di direktori kerja saat ini, menggunakan eksperimen bernama "Insurance", dan menggunakan entry point "main"?

Latihan ini merupakan bagian dari kursus

Pengantar MLflow

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Pengantar MLflow

SkillTag.level.advancedSkillTag.label

4.8+

741 reviews

Mulai Kursus Gratis

Pada Bab ini, Anda akan diperkenalkan pada MLflow dan bagaimana alat ini bertujuan membantu mengatasi beberapa kesulitan dalam siklus hidup Machine Learning. Anda akan diperkenalkan pada empat konsep utama yang membentuk MLflow dengan fokus utama pada MLflow Tracking. Anda akan belajar membuat experiment dan run serta cara melacak metric, parameter, dan artifact. Terakhir, Anda akan melakukan pencarian MLflow secara terprogram untuk menemukan run experiment yang memenuhi kriteria tertentu.

Exercise 1: Apa itu MLflow?Exercise 2: Komponen MLflow Exercise 3: Eksperimen MLflow Exercise 4: MLflow Tracking Exercise 5: Memulai sebuah run Exercise 6: Mencatat sebuah run Exercise 7: Bagaimana cara mengambil data run yang aktif?Exercise 8: Mengkueri run Exercise 9: Opsi kueri untuk mencari run Exercise 10: Mencari run

Pada Bab ini, Anda akan diperkenalkan pada MLflow Models. Komponen MLflow Models berperan penting dalam langkah Model Evaluation dan Model Engineering pada siklus hidup Machine Learning. Anda akan mempelajari bagaimana MLflow Models menstandarkan pengemasan model ML serta cara menyimpan, mencatat (log), dan memuatnya. Anda akan belajar membuat MLflow Model kustom untuk memberi fleksibilitas lebih pada kasus penggunaan Anda serta cara mengevaluasi kinerja model. Anda akan memanfaatkan konsep kuat bernama “Flavor” dan akhirnya menggunakan alat baris perintah MLflow untuk penerapan model.

Exercise 1: Pengantar MLflow Models Exercise 2: Kemaskan model machine learning Exercise 3: Format Penyimpanan Exercise 4: Apa yang ada di dalam file MLmodel?Exercise 5: API Model Exercise 6: Menyimpan dan memuat model Exercise 7: Mencatat dan memuat model Exercise 8: Model kustom Exercise 9: Membuat Kelas Python kustom Exercise 10: Model scikit-learn kustom Exercise 11: Flavor scikit-learn dan evaluasi Exercise 12: Penyajian model Exercise 13: Menyajikan model Exercise 14: Skor dari model yang disajikan

Bab ini memperkenalkan konsep MLflow yang disebut Model Registry. Anda akan diperkenalkan pada bagaimana Model Registry digunakan untuk mengelola siklus hidup model ML. Anda akan mempelajari cara membuat dan mencari model di Model Registry. Selanjutnya Anda mempelajari cara mendaftarkan model ke Model Registry dan bagaimana mentransisikan model antar tahap yang telah ditentukan. Terakhir, Anda juga akan belajar cara menerapkan model dari Model Registry.

Exercise 1: Pengantar MLflow Model Registry Exercise 2: Buat Model Exercise 3: Mencari Model Exercise 4: Mendaftarkan Model Exercise 5: Mendaftarkan model yang sudah ada Exercise 6: Mendaftarkan model baru Exercise 7: Tahapan model Exercise 8: Tahap model dalam Model Registry Exercise 9: Transisi tahap model Exercise 10: Penerapan model Exercise 11: Menyajikan model dari Model Registry Exercise 12: Memuat model dari Model Registry

Pada bab ini, Anda akan memperoleh pengetahuan berharga tentang cara merapikan kode data science agar dapat digunakan ulang dan direproduksi menggunakan MLflow Projects. Bab dimulai dengan memperkenalkan konsep MLflow Projects dan memandu Anda membuat berkas MLproject. Setelah itu, Anda akan mempelajari cara menjalankan MLflow Projects melalui baris perintah maupun modul MLflow Projects sekaligus menemukan kekuatan penggunaan parameter untuk menambah fleksibilitas pada kode Anda. Terakhir, Anda akan belajar cara mengelola tahapan siklus hidup machine learning dengan membuat alur kerja multi-langkah menggunakan MLflow Projects.

Exercise 1: Pengantar MLflow Projects Exercise 2: Tata letak file MLproject Exercise 3: Membuat sebuah MLproject Exercise 4: Menjalankan MLflow Projects Exercise 5: Perintah mlflow run

Latihan Saat Ini

Exercise 6: Modul MLflow projects Exercise 7: Menentukan parameter Exercise 8: Menambahkan parameter ke MLproject Exercise 9: Menambahkan parameter ke run proyek Exercise 10: Alur Kerja Exercise 11: Membuat MLproject untuk Siklus Hidup ML: Rekayasa Model Exercise 12: Membuat MLproject untuk Siklus Hidup ML: Evaluasi Model Exercise 13: Membuat alur kerja multi-langkah: Model Engineering Exercise 14: Membuat alur kerja multilangkah: Evaluasi Model Exercise 15: Penutup