Ordna MLflow-stegen

För att lyckas i modellerings- och utvärderingsfaserna av ML-livscykeln behöver du hålla en välorganiserad arbetsyta och dokumentera en historik över olika experiment – det säkerställer jämförbarhet mellan körningar och reproducerbarhet. MLflow är en kraftfull och heltäckande plattform för att hantera experiment på ett strukturerat sätt. I videon gick du igenom de olika stegen och kommandona för att skapa, starta, logga till och hämta körningar. I den här övningen ska du ordna de MLflow-kommandon som vanligtvis används vid experimenthantering.