Упорядочивание шагов MLflow

Чтобы успешно пройти этапы моделирования и оценки в жизненном цикле машинного обучения, необходимо поддерживать организованное рабочее пространство и вести историю экспериментов — это обеспечивает сопоставимость результатов и воспроизводимость. MLflow предоставляет удобную и функциональную платформу для надёжного управления экспериментами. В видео вы познакомились с различными шагами и командами, которые используются для создания, запуска, записи данных и получения результатов запусков. В этом упражнении вам предстоит расставить команды MLflow, применяемые при управлении экспериментами, в правильном порядке.