MLflow는 모델 패키징 방식을 표준화하기 위해 특정 저장 형식을 사용해요. 다음 중 MLflow 저장 형식의 디렉터리 구조에서 찾을 수 있는 아티팩트는 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
이 장에서는 MLflow와 그것이 Machine Learning 라이프사이클의 여러 어려움을 어떻게 도와주는지 소개합니다. MLflow를 구성하는 네 가지 핵심 개념을 살펴보며, 특히 MLflow Tracking에 집중해요. 실험과 실행을 생성하고, 지표, 파라미터, 아티팩트를 추적하는 방법을 배웁니다. 마지막으로, MLflow를 프로그래밍 방식으로 검색해 특정 기준에 맞는 실험 실행을 찾는 방법도 익혀요.
이 장에서는 MLflow Models를 소개합니다. MLflow의 Models 구성 요소는 Machine Learning 라이프사이클에서 모델 평가와 모델 엔지니어링 단계에 핵심적인 역할을 해요. MLflow Models가 ML 모델 패키징을 표준화하는 방식과 함께 모델을 저장, 로깅, 로드하는 방법을 배웁니다. 더 유연한 활용을 위해 커스텀 MLflow Models를 만드는 방법과 모델 성능을 평가하는 방법도 익혀요. 강력한 “Flavors” 개념을 활용하고, 마지막으로 명령줄 도구를 사용해 모델을 배포해 봅니다.
현재 연습
이 장에서는 MLflow의 핵심 개념인 Model Registry를 소개합니다. Model Registry가 ML 모델의 라이프사이클을 관리하는 데 어떻게 사용되는지 살펴봐요. Model Registry에서 모델을 생성하고 검색하는 방법을 배우고, 모델을 등록한 뒤 사전에 정의된 단계 간에 전환하는 방법을 학습합니다. 마지막으로, Model Registry에서 모델을 배포하는 방법도 익힙니다.
이 장에서는 MLflow Projects를 사용해 데이터 과학 코드를 재사용 가능하고 재현 가능하도록 간소화하는 방법을 배웁니다. 먼저 MLflow Projects 개념을 소개하고 MLproject 파일을 만드는 과정을 안내해요. 이후 명령줄과 MLflow Projects 모듈을 통해 프로젝트를 실행하는 방법을 익히며, 코드의 유연성을 높이기 위한 파라미터 사용법도 알아봅니다. 마지막으로 MLflow Projects로 멀티 스텝 워크플로를 만들어 Machine Learning 라이프사이클의 단계를 관리하는 방법을 학습해요.
