or
Deze oefening maakt deel uit van de cursus
In dit hoofdstuk maak je kennis met MLflow en hoe het helpt bij enkele uitdagingen in de Machine Learning-levenscyclus. Je maakt kennis met de vier hoofdconcepten van MLflow, met de nadruk op MLflow Tracking. Je leert experimenten en runs aan te maken en hoe je metrics, parameters en artifacts bijhoudt. Tot slot zoek je in MLflow via code naar experiment-runs die aan bepaalde criteria voldoen.
In dit hoofdstuk maak je kennis met MLflow Models. De MLflow Models-component speelt een essentiële rol in de stappen Model Evaluation en Model Engineering van de Machine Learning-levenscyclus. Je leert hoe MLflow Models de verpakking van ML-modellen standaardiseert en hoe je ze opslaat, logt en laadt. Je leert ook hoe je aangepaste MLflow Models maakt voor meer flexibiliteit in je use-cases en hoe je modelprestaties evalueert. Je gebruikt het krachtige concept van “Flavors” en zet ten slotte het MLflow-opdrachtregelprogramma in voor modeldeployment.
Dit hoofdstuk introduceert het MLflow-concept Model Registry. Je ziet hoe de Model Registry wordt gebruikt om de levenscyclus van ML-modellen te beheren. Je leert hoe je modellen maakt en zoekt in de Model Registry. Vervolgens leer je hoe je modellen registreert in de Model Registry en hoe je modellen overzet tussen vooraf gedefinieerde stadia. Tot slot leer je ook hoe je modellen vanuit de Model Registry uitrolt.
In dit hoofdstuk leer je hoe je je data science-code herbruikbaar en reproduceerbaar maakt met MLflow Projects. We starten met een introductie van MLflow Projects en het aanmaken van een MLproject-bestand. Daarna leer je MLflow Projects te draaien via zowel de command-line als de MLflow Projects-module, en ontdek je hoe parameters extra flexibiliteit in je code geven. Tot slot leer je stappen in de Machine Learning-levenscyclus te beheren door een workflow met meerdere stappen te bouwen met MLflow Projects.
Huidige oefening