ทำนายผลจากโมเดลที่ให้บริการอยู่

เมื่อ deploy โมเดลด้วยคำสั่ง mlflow serve แล้ว คำสั่ง curl ใดต่อไปนี้ที่ใช้เพื่อขอผลการทำนายจากอินพุต JSON แบบ dataframe_split?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLflow เบื้องต้น

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLflow เบื้องต้น

SkillTag.level.advancedSkillTag.label

4.8+

777 reviews

เริ่มคอร์สฟรี

ในบทนี้ คุณจะได้รู้จักกับ MLflow และแนวทางที่ MLflow ใช้ในการแก้ปัญหาความท้าทายของวงจรชีวิต Machine Learning จะได้เรียนรู้แนวคิดหลัก 4 ประการของ MLflow โดยเน้นที่ MLflow Tracking เป็นพิเศษ รวมถึงวิธีสร้าง experiment และ run ตลอดจนการติดตาม metric, parameter และ artifact สุดท้าย คุณจะได้เรียนรู้การค้นหาข้อมูลใน MLflow แบบ programmatic เพื่อกรอง experiment run ตามเงื่อนไขที่ต้องการ

Exercise 1: MLflow คืออะไร?Exercise 2: องค์ประกอบของ MLflow Exercise 3: MLflow Experiments Exercise 4: MLflow Tracking Exercise 5: การเริ่มต้น Run Exercise 6: การบันทึก run Exercise 7: วิธีดึงข้อมูลของ run ที่กำลังทำงานอยู่Exercise 8: การค้นหา run Exercise 9: ตัวเลือกการค้นหา runs ด้วย search_runs Exercise 10: การค้นหา runs

ในบทนี้ คุณจะได้รู้จักกับ MLflow Models ซึ่งเป็นองค์ประกอบสำคัญของ MLflow ที่มีบทบาทหลักในขั้นตอน Model Evaluation และ Model Engineering ของวงจรชีวิต Machine Learning คุณจะได้เรียนรู้ว่า MLflow Models ช่วยสร้างมาตรฐานในการ package โมเดล ML รวมถึงวิธีบันทึก log และโหลดโมเดล นอกจากนี้ยังได้เรียนรู้การสร้าง custom MLflow Model เพื่อเพิ่มความยืดหยุ่นให้กับกรณีการใช้งานของคุณ และวิธีประเมินประสิทธิภาพโมเดล รวมถึงการใช้แนวคิด "Flavors" และการใช้เครื่องมือ command line ของ MLflow สำหรับการ deploy โมเดล

Exercise 1: MLflow Models เบื้องต้น Exercise 2: แพ็กเกจโมเดล Machine Learning Exercise 3: รูปแบบการจัดเก็บข้อมูล Exercise 4: ไฟล์ MLmodel มีอะไรบ้าง?Exercise 5: Model API Exercise 6: การบันทึกและโหลดโมเดล Exercise 7: การบันทึกและโหลดโมเดล Exercise 8: โมเดลแบบกำหนดเอง Exercise 9: การสร้าง Python Class แบบกำหนดเอง Exercise 10: Custom scikit-learn model Exercise 11: Scikit-learn flavor และการประเมินโมเดล Exercise 12: การ deploy โมเดล Exercise 13: การให้บริการโมเดล Exercise 14: ทำนายผลจากโมเดลที่ให้บริการอยู่

แบบฝึกหัดปัจจุบัน

บทนี้แนะนำแนวคิด Model Registry ใน MLflow คุณจะได้เรียนรู้ว่า Model Registry ใช้จัดการวงจรชีวิตของโมเดล ML อย่างไร ตั้งแต่การสร้างและค้นหาโมเดลใน Model Registry การลงทะเบียนโมเดล ไปจนถึงการเปลี่ยนสถานะโมเดลระหว่าง stage ที่กำหนดไว้ล่วงหน้า และสุดท้ายคุณจะได้เรียนรู้วิธี deploy โมเดลจาก Model Registry

Exercise 1: MLflow Model Registry เบื้องต้น Exercise 2: สร้างโมเดล Exercise 3: การค้นหาโมเดล Exercise 4: การลงทะเบียนโมเดล Exercise 5: การลงทะเบียนโมเดลที่มีอยู่แล้ว Exercise 6: การลงทะเบียนโมเดลใหม่Exercise 7: ขั้นตอนของโมเดล Exercise 8: สเตจของโมเดลใน Model Registry Exercise 9: การเปลี่ยน Stage ของโมเดล Exercise 10: การ Deploy โมเดล Exercise 11: การ Serve โมเดลจาก Model Registry Exercise 12: การโหลดโมเดลจาก Model Registry

ในบทนี้ คุณจะได้เรียนรู้วิธีจัดระเบียบโค้ด data science ให้นำกลับมาใช้ใหม่และทำซ้ำผลลัพธ์ได้ด้วย MLflow Projects บทเรียนเริ่มจากการแนะนำแนวคิด MLflow Projects และการสร้างไฟล์ MLproject จากนั้นคุณจะได้เรียนรู้วิธีรัน MLflow Projects ทั้งผ่าน command-line และ MLflow Projects module พร้อมทั้งค้นพบประโยชน์ของการใช้ parameter เพื่อเพิ่มความยืดหยุ่นให้กับโค้ด สุดท้าย คุณจะได้เรียนรู้การจัดการขั้นตอนต่าง ๆ ของวงจรชีวิต Machine Learning ด้วยการสร้าง multi-step workflow โดยใช้ MLflow Projects

Exercise 1: MLflow Projects เบื้องต้น Exercise 2: โครงสร้างของไฟล์ MLproject Exercise 3: การสร้าง MLproject Exercise 4: การรัน MLflow Projects Exercise 5: คำสั่ง MLflow run Exercise 6: โมดูล MLflow projects Exercise 7: การระบุพารามิเตอร์Exercise 8: การเพิ่มพารามิเตอร์ใน MLproject Exercise 9: การเพิ่ม parameters ใน project run Exercise 10: Workflows Exercise 11: การสร้าง MLproject สำหรับ ML Lifecycle: Model Engineering Exercise 12: สร้าง MLproject สำหรับ ML Lifecycle: การประเมินโมเดล Exercise 13: การสร้าง Multi-Step Workflow: Model Engineering Exercise 14: การสร้าง Multi-Step Workflow: การประเมินโมเดล Exercise 15: สรุปบทเรียน