Kolejność kroków w MLflow

Aby odnieść sukces w fazach modelowania i ewaluacji cyklu życia modelu ML, musisz zadbać o porządek w swoim środowisku pracy – prowadzić historię eksperymentów, która zapewni porównywalność i powtarzalność wyników między kolejnymi uruchomieniami. MLflow to wszechstronna platforma, która pomaga w sprawnym zarządzaniu eksperymentami. W lekcji wideo poznałeś różne kroki i polecenia służące do tworzenia uruchomień, ich startowania, rejestrowania danych oraz pobierania wyników. W tym ćwiczeniu ułożysz polecenia MLflow w kolejności, w jakiej są zazwyczaj używane podczas zarządzania eksperymentami.