為了在 ML 生命週期中的建模與評估階段順利進行,你需要維持有條理的工作區,記錄各種實驗的歷程,以確保不同執行之間可比較且可重現。MLflow 提供一個實用而完整的平台,能穩健地管理實驗。你在影片中學到用來建立、開始、記錄,以及擷取執行個體的各種步驟與指令。這個練習要你將實驗管理中常用的 MLflow 指令排成正確順序。
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
在本章一開始,你會進行任何機器學習專案的基礎階段:設計一個端到端的機器學習情境、進行探索性資料分析,以及資料準備。讀完本章後,你將扎實掌握機器學習專案的早期流程,從構思情境到將資料整理好,為後續處理與模型訓練做好準備。
本章將深入探討模型訓練與評估的關鍵流程。內容包含四個完整課程,重點涵蓋特徵工程、模型訓練、實驗記錄,以及模型評估等面向。
當前練習
本章聚焦於模型部署這個在機器學習生命週期中至關重要的階段。從測試開始,接著介紹架構元件,特別著重於特徵儲存與模型登錄。之後,我們會進一步說明封裝與容器化。最後以持續整合與持續部署(CI/CD)概觀作結。
在最後一章,你將學習模型監控的要點與細節,這是機器學習生命週期中的關鍵階段。