멀티 스텝 워크플로 만들기: 모델 엔지니어링

MLflow Projects 모듈은 멀티 스텝 워크플로를 실행하는 방법으로 사용할 수 있어요. 모든 스텝은 하나의 Python 프로그램에서 조율되며, 이전 스텝의 결과를 다음 스텝으로 전달할 수 있습니다.

이 연습 문제에서는 ML lifecycle의 Model Engineering과 Model Evaluation 스텝을 관리하기 위한 멀티 스텝 워크플로를 만드는 것을 시작해 볼 거예요. MLflow Projects 모듈의 run() 메서드를 사용해 model_engineering 엔트리 포인트를 실행하고, 모델 학습에 사용할 하이퍼파라미터를 전달합니다. 또한 run_id 출력을 받아 변수에 저장한 뒤, 워크플로의 model_evaluation 스텝에 파라미터로 넘길 수 있도록 할 거예요.

이전 단계에서 만든 MLproject는 IPython Shell에서 print(MLproject)로 확인할 수 있습니다. MLflow 모듈은 이미 import되어 있어요.

이 연습은 강의의 일부입니다

MLflow 소개

연습 안내

MLflow Projects 모듈의 run() 메서드 호출 결과를 model_engineering이라는 변수에 할당하세요.
엔트리 포인트 인수를 "model_engineering"으로 설정하세요.
모델 학습 파라미터를 설정하세요. "n_jobs"는 2, "fit_intercept"는 False로 지정합니다.
model_engineering의 run_id 속성을 model_engineering_run_id라는 변수에 저장하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Set run method to model_engineering
____ = ____.____.____(
    uri='./',
    # Set entry point to model_engineering
    ____='____',
    experiment_name='Insurance',
    # Set the parameters for n_jobs and fit_intercept
    parameters={
        '____': ____, 
        '____': ____
    },
    env_manager='local'
)

# Set Run ID of model training to be passed to Model Evaluation step
____ = ____.____
print(model_engineering_run_id)

코드 편집 및 실행

이 연습은 강의의 일부입니다

MLflow 소개

SkillTag.level.advancedSkillTag.label

4.8+

무료로 강의 시작하기

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.

Exercise 1: MLflow란 무엇인가요?Exercise 2: MLflow의 구성 요소 Exercise 3: MLflow 실험 Exercise 4: MLflow Tracking Exercise 5: Run 시작하기 Exercise 6: 실행(run) 로깅하기 Exercise 7: 활성 run 데이터를 어떻게 가져오나요?Exercise 8: 실행 조회하기 Exercise 9: 실행 검색 쿼리 옵션 Exercise 10: 실행 검색하기

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.

Exercise 1: MLflow Models 소개 Exercise 2: Machine Learning 모델 패키징하기 Exercise 3: 저장 형식 Exercise 4: MLmodel 파일에는 무엇이 들어 있을까요?Exercise 5: Model API Exercise 6: 모델 저장과 로드 Exercise 7: 모델 로깅과 로딩 Exercise 8: 사용자 정의 모델 Exercise 9: 맞춤형 Python 클래스 만들기 Exercise 10: 사용자 정의 scikit-learn 모델 Exercise 11: Scikit-learn flavor와 평가 Exercise 12: Model serving Exercise 13: 모델 서빙 Exercise 14: 서빙된 모델에서 점수 받기

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.

Exercise 1: MLflow Model Registry 소개 Exercise 2: 모델 생성하기 Exercise 3: 모델 검색하기 Exercise 4: 모델 등록하기 Exercise 5: 기존 모델 등록하기 Exercise 6: 새 모델 등록하기 Exercise 7: Model 단계 Exercise 8: Model Registry의 모델 단계 Exercise 9: 모델 단계 전환 Exercise 10: Model 배포 Exercise 11: Model Registry에서 모델 서빙하기 Exercise 12: Model Registry에서 모델 불러오기

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.

Exercise 1: MLflow Projects 소개 Exercise 2: MLproject 파일 레이아웃 Exercise 3: MLproject 만들기 Exercise 4: MLflow Projects 실행하기 Exercise 5: MLflow run 명령어 Exercise 6: MLflow projects 모듈 Exercise 7: 매개변수 지정 Exercise 8: MLproject에 매개변수 추가하기 Exercise 9: 프로젝트 실행에 매개변수 추가하기 Exercise 10: 워크플로 Exercise 11: ML 라이프사이클을 위한 MLproject 만들기: 모델 엔지니어링 Exercise 12: ML 라이프사이클을 위한 MLproject 만들기: 모델 평가 Exercise 13: 멀티 스텝 워크플로 만들기: 모델 엔지니어링

현재 연습

Exercise 14: 다단계 워크플로 만들기: Model Evaluation Exercise 15: 마무리