Criando um fluxo de trabalho com várias etapas: Model Engineering

O módulo MLflow Projects pode ser usado para executar um fluxo de trabalho com várias etapas. Todas as etapas podem ser coordenadas por um único programa em Python que passa resultados das etapas anteriores para as seguintes.

Neste exercício, você vai começar a criar um fluxo de trabalho de múltiplas etapas para gerenciar as fases de Model Engineering e Model Evaluation do ciclo de vida de Machine Learning. Você usará o método run() do módulo MLflow Projects para o entry point model_engineering e passará parâmetros usados como hiperparâmetros para o treinamento do modelo. Você também vai capturar a saída do run_id e atribuí-la a uma variável, para que possa ser passada para a etapa model_evaluation do fluxo como parâmetro.

O MLproject criado na etapa anterior está disponível no IPython Shell usando print(MLproject). O módulo do MLflow já está importado.

Este exercício faz parte do curso

Introdução ao MLflow

Instruções do exercício

Atribua o método run() do módulo MLflow Projects a uma variável chamada model_engineering.
Defina o argumento do entry point como "model_engineering".
Defina os parâmetros para treinar o modelo: "n_jobs" como 2 e "fit_intercept" como False.
Atribua o atributo run_id de model_engineering a uma variável chamada model_engineering_run_id.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)

Editar e executar o código

Este exercício faz parte do curso

Introdução ao MLflow

AvançadoNível de habilidade

4.8+

Iniciar curso de graça

Neste capítulo, você será apresentado ao MLflow e a como ele busca ajudar em algumas dificuldades do ciclo de vida de Machine Learning. Você conhecerá os quatro conceitos principais que compõem o MLflow, com foco em MLflow Tracking. Você vai aprender a criar experimentos e execuções (runs), além de rastrear métricas, parâmetros e artefatos. Por fim, você fará buscas programáticas no MLflow para encontrar execuções de experimentos que atendam a determinados critérios.

Exercise 1: O que é MLflow?Exercise 2: Componentes do MLflow Exercise 3: Experimentos no MLflow Exercise 4: MLflow Tracking Exercise 5: Iniciando uma execução (run)Exercise 6: Registrando uma execução Exercise 7: Como obter dados da execução ativa?Exercise 8: Consultando execuções Exercise 9: Opções de consulta em Search runs Exercise 10: Buscando execuções

Neste capítulo, você será apresentado ao MLflow Models. O componente MLflow Models desempenha um papel essencial nas etapas de Avaliação de Modelo e Engenharia de Modelo do ciclo de vida de Machine Learning. Você aprenderá como o MLflow Models padroniza o empacotamento de modelos de ML e como salvá-los, registrá-los (log) e carregá-los. Você também vai aprender a criar modelos personalizados do MLflow para dar mais flexibilidade aos seus casos de uso e a avaliar o desempenho do modelo. Você utilizará o poderoso conceito de “Flavors” e, por fim, usará a ferramenta de linha de comando do MLflow para implantar modelos.

Exercise 1: Introdução aos MLflow Models Exercise 2: Empacotar um modelo de Machine Learning Exercise 3: Formato de armazenamento Exercise 4: O que existe em um arquivo MLmodel?Exercise 5: API de modelos Exercise 6: Salvando e carregando um modelo Exercise 7: Registrando e carregando um modelo Exercise 8: Modelos personalizados Exercise 9: Criando uma Classe Python personalizada Exercise 10: Modelo customizado do scikit-learn Exercise 11: Flavor do scikit-learn e avaliação Exercise 12: Serviço de modelos Exercise 13: Servindo um modelo Exercise 14: Pontuar a partir de um modelo em serviço

Este capítulo apresenta o conceito do MLflow chamado Model Registry. Você verá como o Model Registry é usado para gerenciar o ciclo de vida de modelos de ML. Você aprenderá a criar e buscar modelos no Model Registry. Em seguida, aprenderá a registrar modelos no Model Registry e a fazer a transição de modelos entre estágios predefinidos. Por fim, você também aprenderá a implantar modelos a partir do Model Registry.

Exercise 1: Introdução ao MLflow Model Registry Exercise 2: Criar um modelo Exercise 3: Buscando modelos Exercise 4: Registrando modelos Exercise 5: Registrando modelos existentes Exercise 6: Registrando novos modelos Exercise 7: Estágios do modelo Exercise 8: Estágios de modelo no Model Registry Exercise 9: Transição entre estágios do modelo Exercise 10: Implantação de modelos Exercise 11: Servindo modelos a partir do Model Registry Exercise 12: Carregando modelos do Model Registry

Neste capítulo, você vai aprender a otimizar seu código de ciência de dados para reuso e reprodutibilidade usando MLflow Projects. O capítulo começa apresentando o conceito de MLflow Projects e guiando você na criação de um arquivo MLproject. A partir daí, você vai aprender a executar MLflow Projects tanto pela linha de comando quanto pelo módulo MLflow Projects, além de descobrir o poder de usar parâmetros para dar mais flexibilidade ao seu código. Por fim, você vai aprender a gerenciar etapas do ciclo de vida de Machine Learning criando um fluxo de trabalho com várias etapas usando MLflow Projects.

Exercise 1: Introdução aos MLflow Projects Exercise 2: Estrutura do arquivo MLproject Exercise 3: Criando um MLproject Exercise 4: Executando MLflow Projects Exercise 5: Comando mlflow run Exercise 6: Módulo MLflow projects Exercise 7: Especificando parâmetros Exercise 8: Adicionando parâmetros ao MLproject Exercise 9: Adicionando parâmetros à execução do projeto Exercise 10: Fluxos de trabalho Exercise 11: Criando um MLproject para o ciclo de vida de ML: Engenharia de Modelo Exercise 12: Criando um MLproject para o ciclo de vida de ML: Avaliação do modelo Exercise 13: Criando um fluxo de trabalho com várias etapas: Model Engineering

Exercício atual

Exercise 14: Criando um fluxo de trabalho multi-etapas: Avaliação do Modelo Exercise 15: Encerramento