Registrazione di una corsa

In questo esercizio, addestrerai un modello utilizzando Linear Regression di scikit-learn per prevedere i profitti dal dataset Unicorn. Hai creato un esperimento chiamato Unicorn Sklearn Experiment e hai iniziato una nuova sessione. Registrerai le metriche per r2_score e i parametri per n_jobs e registrerai il codice di addestramento come artefatto.

Il modello Linear Regression sarà addestrato con il parametro n_jobs impostato su 1. La metrica r2_score è stata prodotta utilizzando la metrica r2_score() di scikit-learn basata sulla variabile y_pred che deriva dalle previsioni di X_test.

model = LinearRegression(n_jobs=1)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

r2_score = r2_score(y_test, y_pred)

Verranno importati il modulo mlflow e i moduli LinearRegression, train_test_split e metrics di scikit-learn.

Questo esercizio fa parte del corso

Introduzione a MLflow

Visualizza corso

Istruzioni dell'esercizio

Registra la variabile r2_score come una metrica chiamata "r2_score".
Registra un parametro chiamato "n_jobs" sul server di tracciamento.
Registra il file "train.py" come artefatto nell'esecuzione.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Log the metric r2_score as "r2_score"
____.____("____", ____)

# Log parameter n_jobs as "n_jobs"
____.____("____", ____)

# Log the training code
____.____("train.py")

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Introduzione a MLflow

AvançadoNível de habilidade

4.8+

Inizia il corso gratuitamente

In questo capitolo ti verrà presentato MLflow e come si propone di aiutarti a superare alcune difficoltà del ciclo di vita del Machine Learning. Ti verranno presentati i quattro concetti principali che compongono MLflow, con un'attenzione particolare al Tracking di MLflow. Imparerai a creare esperimenti ed esecuzioni e a tenere traccia di metriche, parametri e artefatti. Infine, effettuerai una ricerca programmatica su MLflow per trovare gli esperimenti che corrispondono a determinati criteri.

Exercise 1: Che cos'è MLflow?Exercise 2: Componenti di MLflow Exercise 3: Esperimenti MLflow Exercise 4: Tracciamento MLflow Exercise 5: Iniziare una corsa Exercise 6: Registrazione di una corsa

Esercizio attuale

Exercise 7: Come recuperare i dati della corsa attiva?Exercise 8: Interrogazione delle corse Exercise 9: Opzioni di ricerca Exercise 10: Ricerca di corse

In questo capitolo ti verranno presentati i Modelli MLflow. Il componente MLflow Models di MLflow svolge un ruolo essenziale nelle fasi di Model Evaluation e Model Engineering del ciclo di vita del Machine Learning. Imparerai come i modelli MLflow standardizzano il packaging dei modelli ML e come salvarli, registrarli e caricarli. Imparerai a creare modelli MLflow personalizzati per offrire maggiore flessibilità ai tuoi casi d'uso e a valutare le prestazioni dei modelli. Utilizzerai il potente concetto di "Flavors" e infine userai lo strumento a riga di comando MLflow per la distribuzione dei modelli.

Exercise 1: Introduzione ai modelli MLflow Exercise 2: Pacchetto di un modello di apprendimento automatico Exercise 3: Formato di archiviazione Exercise 4: Cosa c'è in un file MLmodel?Exercise 5: Modello API Exercise 6: Salvare e caricare un modello Exercise 7: Registrazione e caricamento di un modello Exercise 8: Modelli personalizzati Exercise 9: Creare una classe Python personalizzata Exercise 10: Modello scikit-learn personalizzato Exercise 11: Valutazione e sapore di Scikit-learn Exercise 12: Modello che serve Exercise 13: Al servizio di un modello Exercise 14: Punteggio di un modello servito

Questo capitolo introduce il concetto di MLflow chiamato Registro dei Modelli. Ti verrà spiegato come viene utilizzato il Registro dei Modelli per gestire il ciclo di vita dei modelli ML. Imparerai a creare e cercare modelli nel Registro dei Modelli. Imparerai poi a registrare i modelli nel Registro dei modelli e a passare i modelli da una fase all'altra. Infine, imparerai anche a distribuire i modelli dal Registro dei Modelli.

Exercise 1: Introduzione al registro dei modelli MLflow Exercise 2: Creare un modello Exercise 3: Ricerca di modelli Exercise 4: Registrazione dei modelli Exercise 5: Registrazione di modelli esistenti Exercise 6: Registrazione di nuovi modelli Exercise 7: Fasi del modello Exercise 8: Fasi del modello nel Registro dei modelli Exercise 9: Fasi del modello di transizione Exercise 10: Modello di distribuzione Exercise 11: Servire i modelli dal Registro dei modelli Exercise 12: Caricare i modelli dal Registro dei modelli

In questo capitolo, acquisirai preziose conoscenze su come ottimizzare il tuo codice di data science per renderlo riutilizzabile e riproducibile utilizzando i progetti MLflow. Il capitolo inizia introducendo il concetto di progetti MLflow e ti guida nella creazione di un file MLproject. Da qui, imparerai a eseguire i progetti MLflow sia tramite la riga di comando che tramite il modulo Progetti MLflow, scoprendo anche la potenza dell'uso dei parametri per una maggiore flessibilità del tuo codice. Infine, imparerai a gestire le fasi del ciclo di vita dell'apprendimento automatico creando un flusso di lavoro multi-fase con MLflow Projects.

Exercise 1: Introduzione ai progetti MLflow Exercise 2: Layout del file MLproject Exercise 3: Creare un progetto ML Exercise 4: Esecuzione di progetti MLflow Exercise 5: Comando di esecuzione di MLflow Exercise 6: Modulo progetti MLflow Exercise 7: Specificare i parametri Exercise 8: Aggiungere parametri a MLproject Exercise 9: Aggiunta di parametri all'esecuzione del progetto Exercise 10: Flussi di lavoro Exercise 11: Creare un progetto ML per il ciclo di vita di ML: Modellistica Exercise 12: Creare un progetto ML per il ciclo di vita di ML: Valutazione del modello Exercise 13: Creare un flusso di lavoro in più fasi: Modellistica Exercise 14: Creare un flusso di lavoro in più fasi: Valutazione del modello Exercise 15: Conclusione