1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do MLflow
Connected

ćwiczenie

Tworzenie wieloetapowego przepływu pracy: inżynieria modelu

Moduł MLflow Projects można wykorzystać do uruchamiania wieloetapowego przepływu pracy. Wszystkie etapy można koordynować za pomocą jednego programu w Pythonie, który przekazuje wyniki poprzednich kroków do kolejnych.

W tym ćwiczeniu zaczniesz tworzyć wieloetapowy przepływ pracy, który obsługuje etapy inżynierii modelu i ewaluacji modelu w cyklu życia uczenia maszynowego. Użyjesz metody run() z modułu MLflow Projects dla punktu wejścia model_engineering i przekażesz parametry służące jako hiperparametry podczas trenowania modelu. Przechwycisz również wartość run_id i przypiszesz ją do zmiennej, aby można było przekazać ją jako parametr do etapu model_evaluation przepływu pracy.

Plik MLproject utworzony w poprzednim kroku jest dostępny w powłoce IPython za pomocą print(MLproject). Moduł MLflow jest zaimportowany.

Instrukcje

100 XP
  • Przypisz metodę run() z modułu MLflow Projects do zmiennej o nazwie model_engineering.
  • Ustaw argument punktu wejścia na "model_engineering".
  • Ustaw parametry trenowania modelu: "n_jobs" na 2 i "fit_intercept" na False.
  • Przypisz atrybut run_id obiektu model_engineering do zmiennej o nazwie model_engineering_run_id.