Aktif çalıştırma verileri nasıl alınır?

MLflow, metrikleri, parametreleri ve yapıtları MLflow Tracking’e kaydetmek için çalıştırma (run) kavramını kullanır. mlflow modülündeki start_run() işlevini kullanmak yeni bir çalıştırma başlatır ve onu aktif duruma getirir. Bu, run_id veya artifact_uri gibi bilgilere erişmen gerektiğinde kullanışlıdır.

Aşağıdaki kodla bir çalıştırma aktif hale getirildi:

run = mlflow.start_run()

Geçerli çalıştırma hakkında bilgi gerekiyorsa, aktif bir çalıştırmanın üst verilerini almak için aşağıdakilerden hangi öznitelik kullanılır?

Bu egzersiz, kursun bir parçasıdır

MLflow’a Giriş

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

MLflow’a Giriş

AvançadoNível de habilidade

4.8+

884 reviews

Kursa Ücretsiz Başla

Bu bölümde, MLflow’a ve Machine Learning yaşam döngüsündeki bazı zorluklarla nasıl başa çıkmayı hedeflediğine giriş yapacaksın. MLflow’u oluşturan dört temel kavramla tanışacak, özellikle MLflow Tracking’e odaklanacaksın. Deneyler (experiments) ve çalıştırmalar (runs) oluşturmayı, metrikleri, parametreleri ve eserleri (artifacts) nasıl izleyeceğini öğreneceksin. Son olarak, belirli ölçütlere uyan deney çalıştırmalarını bulmak için MLflow’u programatik olarak arayacaksın.

Exercise 1: MLflow nedir?Exercise 2: MLflow'un Bileşenleri Exercise 3: MLflow deneyleri Exercise 4: MLflow Takibi Exercise 5: Bir run başlatma Exercise 6: Bir çalıştırmayı (run) kaydetme Exercise 7: Aktif çalıştırma verileri nasıl alınır?

Geçerli egzersiz

Exercise 8: Çalıştırmaları sorgulama Exercise 9: Çalıştırma arama sorgu seçenekleri Exercise 10: Koşuları arama

Bu bölümde MLflow Modelleri ile tanışacaksın. MLflow’un Modeller bileşeni, Machine Learning yaşam döngüsünün Model Değerlendirme ve Model Mühendisliği adımlarında kritik bir rol oynar. MLflow Modelleri’nin ML modellerinin paketlenmesini nasıl standartlaştırdığını; modelleri kaydetme, günlükleme (loglama) ve yükleme süreçlerini öğreneceksin. Kendi kullanım senaryolarına daha fazla esneklik katmak için özel MLflow Modelleri oluşturmayı ve model performansını değerlendirmeyi göreceksin. Güçlü “Flavor” kavramını kullanacak ve son olarak model dağıtımı için MLflow komut satırı aracını deneyeceksin.

Exercise 1: MLflow Modellerine Giriş Exercise 2: Bir Machine Learning modelini paketle Exercise 3: Depolama Biçimi Exercise 4: Bir MLmodel dosyasında neler var?Exercise 5: Model API Exercise 6: Bir modeli kaydetmek ve yüklemek Exercise 7: Bir modeli loglama ve yükleme Exercise 8: Özel modeller Exercise 9: Özel bir Python Sınıfı oluşturma Exercise 10: Özel scikit-learn modeli Exercise 11: Scikit-learn flavor'ı ve değerlendirme Exercise 12: Model sunumu Exercise 13: Bir modeli sunma Exercise 14: Sunulan bir modelden skor alma

Bu bölüm, MLflow’un Model Registry adlı bileşenini tanıtır. Model Registry’nin, ML modellerinin yaşam döngüsünü yönetmek için nasıl kullanıldığını öğreneceksin. Model Registry’de model oluşturmayı ve aramayı göreceksin. Ardından, modelleri Model Registry’ye nasıl kaydedeceğini ve önceden tanımlı aşamalar arasında nasıl geçiş yaptıracağını öğreneceksin. Son olarak, modelleri Model Registry’den nasıl dağıtacağını da keşfedeceksin.

Exercise 1: MLflow Model Registry'ye Giriş Exercise 2: Bir Model Oluştur Exercise 3: Modelleri Arama Exercise 4: Modelleri Kaydetme Exercise 5: Mevcut modelleri kaydetme Exercise 6: Yeni modelleri kaydetme Exercise 7: Model aşamaları Exercise 8: Model Registry’de model aşamaları Exercise 9: Model aşamalarını dönüştürme Exercise 10: Model dağıtımı Exercise 11: Model Registry'den modelleri sunma Exercise 12: Model Registry'den modelleri yükleme

Bu bölümde, MLflow Projeleri ile veri bilimi kodunu yeniden kullanılabilir ve yeniden üretilebilir hale getirmenin püf noktalarını öğreneceksin. Bölüm, MLflow Projeleri kavramını tanıtarak ve bir MLproject dosyası oluşturma adımlarında sana rehberlik ederek başlar. Ardından, MLflow Projeleri’ni hem komut satırından hem de MLflow Projects modülüyle nasıl çalıştıracağını; ayrıca koduna esneklik katmak için parametre kullanmanın gücünü keşfedeceksin. Son olarak, MLflow Projeleri ile çok adımlı bir iş akışı oluşturarak Machine Learning yaşam döngüsünün adımlarını nasıl yöneteceğini öğreneceksin.

Exercise 1: MLflow Projects’e Giriş Exercise 2: MLproject dosya düzeni Exercise 3: Bir MLproject oluşturma Exercise 4: MLflow Projects Çalıştırma Exercise 5: MLflow run komutu Exercise 6: MLflow projects modülü Exercise 7: Parametreleri belirtme Exercise 8: MLproject dosyasına parametre ekleme Exercise 9: Projeyi çalıştırmaya parametre ekleme Exercise 10: İş Akışları Exercise 11: ML Yaşam Döngüsü için bir MLproject oluşturma: Model Mühendisliği Exercise 12: ML Yaşam Döngüsü için bir MLproject oluşturma: Model Değerlendirme Exercise 13: Çok adımlı bir iş akışı oluşturma: Model Mühendisliği Exercise 14: Çok adımlı bir iş akışı oluşturma: Model Değerlendirme Exercise 15: Kapanış