or
Ця вправа є частиною курсу
У цьому розділі ви познайомитеся з MLflow і з тим, як він допомагає долати окремі труднощі життєвого циклу машинного навчання. Ви дізнаєтеся про чотири основні компоненти MLflow з головним акцентом на MLflow Tracking. Ви навчитеся створювати експерименти та прогони, а також відстежувати метрики, параметри й артефакти. Нарешті, ви виконуватимете програмний пошук у MLflow, щоб знаходити прогони експериментів за заданими критеріями.
У цьому розділі ви познайомитеся з MLflow Models. Компонент MLflow Models відіграє ключову роль на етапах оцінювання моделей і інженерії моделей у життєвому циклі машинного навчання. Ви дізнаєтеся, як MLflow Models стандартизує пакування ML-моделей, а також як їх зберігати, логувати та завантажувати. Ви навчитеся створювати власні MLflow Models для більшої гнучкості у ваших сценаріях, а також оцінювати якість моделей. Ви застосуєте потужну концепцію «Flavors» і врешті скористаєтеся інструментом командного рядка MLflow для розгортання моделей.
Цей розділ знайомить з концепцією MLflow під назвою Model Registry. Ви дізнаєтеся, як Model Registry використовують для керування життєвим циклом ML-моделей. Ви навчитеся створювати моделі в Model Registry і шукати їх. Потім ви дізнаєтеся, як реєструвати моделі в Model Registry і переводити їх між наперед визначеними стадіями. Нарешті, ви також навчитеся розгортати моделі безпосередньо з Model Registry.
У цьому розділі ви дізнаєтеся, як упорядкувати свій код data science для повторного використання та відтворюваності за допомогою MLflow Projects. Спочатку ми розглянемо поняття MLflow Projects і крок за кроком створимо файл MLproject. Далі ви навчитеся запускати MLflow Projects як через командний рядок, так і через модуль MLflow Projects, а також побачите переваги параметрів для більшої гнучкості коду. Наприкінці ви опануєте, як керувати етапами життєвого циклу машинного навчання, створивши багатокроковий робочий процес на базі MLflow Projects.
Поточна вправа