mlflow serve コマンドラインインターフェースでモデルを提供した後、dataframe_split 型の JSON 入力に対してスコアを取得するには、次のうちどの curl コマンドを使用しますか？
mlflow serve
dataframe_split
curl
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
このチャプターでは、MLflow の概要と、Machine Learning ライフサイクルにおけるいくつかの課題をどのように支援するかを紹介します。MLflow を構成する 4 つの主要コンセプトを取り上げ、特に MLflow Tracking に焦点を当てます。実験とランの作成方法、メトリクス・パラメータ・アーティファクトの記録方法を学びます。最後に、特定の条件に合う実験ランを見つけるために、プログラムから MLflow を検索する方法も扱います。
このチャプターでは、MLflow Models を紹介します。MLflow の MLflow Models コンポーネントは、Machine Learning ライフサイクルにおけるモデル評価とモデルエンジニアリングの段階で重要な役割を果たします。MLflow Models が ML モデルのパッケージングをどのように標準化するか、そしてモデルの保存、ログ、読み込み方法を学びます。さらに、ユースケースに合わせた柔軟性を高めるためにカスタム MLflow Models を作成する方法や、モデル性能を評価する方法も学びます。強力な「Flavor」の概念を活用し、最後にコマンドラインツールを使ったモデルのデプロイまで行います。
現在の演習
このチャプターでは、MLflow のコンセプトである Model Registry を紹介します。Model Registry を使って ML モデルのライフサイクルを管理する方法を学びます。Model Registry でモデルを作成・検索する方法を学んだ後、モデルを登録し、あらかじめ定義された段階間でモデルを遷移させる方法を学びます。最後に、Model Registry からモデルをデプロイする方法も取り上げます。
このチャプターでは、MLflow Projects を使ってデータサイエンスのコードを再利用可能かつ再現可能に整理する方法を学びます。まず MLflow Projects の概念を紹介し、MLproject ファイルの作成を順を追って説明します。その後、コマンドラインと MLflow Projects モジュールの両方でプロジェクトを実行する方法を学び、パラメータを活用してコードの柔軟性を高める方法も身につけます。最後に、MLflow Projects を用いてマルチステップのワークフローを作成し、Machine Learning ライフサイクルの各ステップを管理する方法を学びます。
