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