Adicionando parâmetros ao projeto ML

A definição de parâmetros nos projetos de fluxo do MLpermite que você torne seu código ML reproduzível. Os parâmetros também simplificam a execução de experimentos de treinamento com configurações diferentes sem a necessidade de alterar o código.

Neste exercício, você adicionará parâmetros ao seu arquivo MLproject para o ponto de entrada principal. Esse ponto de entrada é usado para executar o script train_model.py que treina um modelo de regressão logística a partir dos dados do seguro.

O script aceita dois parâmetros, n_jobs e fit_intercept, que são hiperparâmetros usados para treinar o modelo. Você começará adicionando o parâmetro n_jobs no arquivo MLproject. Em seguida, você adicionará o parâmetro fit_intercept. Por fim, você adicionará os parâmetros ao comando executado no ponto de entrada principal.

Este exercício faz parte do curso

Introdução ao fluxo ML

Instruções do exercício

Crie um parâmetro chamado n_jobs como um tipo int e um valor padrão de 1.
Crie um segundo parâmetro chamado fit_intercept como um tipo bool com um valor padrão definido como True.
Passe os dois parâmetros para o comando, garantindo que n_jobs seja o primeiro, seguido por fit_intercept.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  main:
    parameters:
      # Create parameter for number of jobs as n_jobs
      ____:
        ____: ____
        ____: ____
      # Create parameter for fit_intercept
      ____:
        ____: ____
        ____: ____
    # Add parameters to be passed into the command
    command: "python3.9 train_model.py {____} {____}"
"""

Editar e executar o código

Este exercício faz parte do curso

Introdução ao fluxo ML

AvançadoNível de habilidade

4.8+

Iniciar curso de graça

Neste capítulo, você será apresentado ao fluxo MLe como ele visa a ajudar em algumas dificuldades do ciclo de vida do machine learning. Você será apresentado aos quatro principais conceitos que compõem o fluxo MLcom foco principal no programa ML. Você aprenderá a criar experimentos e execuções, bem como a rastrear métricas, parâmetros e artefatos. Por fim, você pesquisará o fluxo MLprogramaticamente para encontrar execuções de experimentos que atendam a determinados critérios.

Exercise 1: O que é o fluxo ML?Exercise 2: Componentes do fluxo ML Exercise 3: MLexperimentos de fluxo Exercise 4: MLPrograma de fluxo Exercise 5: Iniciando uma corrida Exercise 6: Registro de uma execução Exercise 7: Como recuperar dados de execução ativos?Exercise 8: Consulta de execuções Exercise 9: Opções de consulta de execuções de pesquisa Exercise 10: Buscando execuções

Neste capítulo, você conhecerá os modelos de fluxo do ML. O componente MLflow Models do MLflow desempenha uma função essencial nas etapas de avaliação de modelos e engenharia de modelos do ciclo de vida do machine learning. Você aprenderá como o MLflow Models padroniza o empacotamento dos modelos do ML e também como salvá-los, registrá-los e carregá-los. Você aprenderá a criar modelos de fluxo MLpersonalizados para oferecer mais flexibilidade aos seus casos de uso e a avaliar o desempenho do modelo. Você utilizará o avançado conceito de "Flavors" e, por fim, usará a ferramenta de linha de comando MLflow para a implantação de modelos.

Exercise 1: Introdução aos modelos de fluxo ML Exercise 2: Empacote um modelo de machine learning Exercise 3: Formato de armazenamento Exercise 4: O que há em um arquivo de modelo ML?Exercise 5: Modelo API Exercise 6: Salvando e carregando um modelo Exercise 7: Registro e carregamento de um modelo Exercise 8: Modelos personalizados Exercise 9: Criando uma classe Python personalizada Exercise 10: Modelo personalizado do scikit-learn Exercise 11: Avaliação e sabor do Scikit-learn Exercise 12: Serviço de modelo Exercise 13: Servindo um modelo Exercise 14: Pontuação de um modelo atendido

Este capítulo apresenta o conceito do fluxo MLchamado Registro de Modelos. Você será apresentado a como o Model Registry é usado para gerenciar o ciclo de vida dos modelos do ML. Você aprenderá a criar e pesquisar modelos no Model Registry. Em seguida, você 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: Pesquisa de modelos Exercise 4: Registro de modelos Exercise 5: Registro de modelos existentes Exercise 6: Registro de novos modelos Exercise 7: Estágios do modelo Exercise 8: Estágios do modelo no Registro de Modelos Exercise 9: Transição de estágios do modelo Exercise 10: Implementação do modelo Exercise 11: Servindo modelos do Model Registry Exercise 12: Carregando modelos do Model Registry

Neste capítulo, você obterá conhecimentos valiosos sobre como otimizar seu código de ciência de dados para reutilização e reprodutibilidade usando o MLflow Projects. O capítulo começa introduzindo o conceito de projetos de fluxo MLe orientando você na criação de um arquivo de projeto ML. A partir daí, você aprenderá a executar o MLflow Projects por meio da linha de comando e do módulo MLflow Projects e, ao mesmo tempo, descobrirá o poder do uso de parâmetros para aumentar a flexibilidade do seu código. Por fim, você aprenderá a gerenciar as etapas do ciclo de vida do machine learning criando um fluxo de trabalho de várias etapas usando o MLflow Projects.

Exercise 1: Introdução aos projetos de fluxo ML Exercise 2: MLlayout do arquivo de projeto Exercise 3: Criando um projeto ML Exercise 4: Executando projetos de fluxo ML Exercise 5: MLcomando de execução de fluxo Exercise 6: MLmódulo de projetos de fluxo Exercise 7: Especificação de parâmetros Exercise 8: Adicionando parâmetros ao projeto ML

Exercício atual

Exercise 9: Adição de parâmetros à execução do projeto Exercise 10: Fluxos de trabalho Exercise 11: Criando um projeto MLpara o ciclo de vida ML: Engenharia de modelos Exercise 12: Criando um projeto MLpara o ciclo de vida ML: Avaliação do modelo Exercise 13: Criação de um fluxo de trabalho em várias etapas: Engenharia de modelos Exercise 14: Criação de um fluxo de trabalho em várias etapas: Avaliação do modelo Exercise 15: Resumo