為 ML 生命週期建立 MLproject：模型評估

在這個練習中，你會繼續建立你的 MLproject 檔案，以管理 ML 生命週期的各個步驟。你將新增另一個名為 model_evaluation 的入口點。這個工作流程步驟會接收來自 model_engineering 步驟的 run_id 輸出，並使用我們 Insurance 資料集的訓練資料來執行模型評估。

你可以在 IPython Shell 中執行 print(MLproject) 來印出目前的 MLproject 檔案。

本練習屬於課程

MLflow 入門

練習說明

建立名為 model_evaluation 的入口點。
為 run_id 設定參數。
將該參數放入指令中。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

"""
  # Set the model_evaluation entry point
  ____:
    parameters:
      # Set run_id parameter
      ____:
        type: str 
        default: None
    # Set the parameters in the command
    command: "python3.9 evaluate.py {____}"
"""

編輯並執行程式碼

本練習屬於課程

MLflow 入門

SkillTag.level.advancedSkillTag.label

4.8+

免費開始學習課程

在本章中，你將認識 MLflow，以及它如何協助解決 Machine Learning 生命週期中的一些難題。你會了解構成 MLflow 的四大核心概念，並著重於 MLflow Tracking。你將學會如何建立 experiments 與 runs，以及追蹤 metrics、parameters 與 artifacts。最後，你會以程式方式搜尋 MLflow，找出符合特定條件的 experiment runs。

Exercise 1: 什麼是 MLflow？Exercise 2: MLflow 的組成元件 Exercise 3: MLflow 實驗 Exercise 4: MLflow 追蹤 Exercise 5: 開始一個 run Exercise 6: 記錄一次 run Exercise 7: 如何擷取作用中執行的資料？Exercise 8: 查詢執行紀錄 Exercise 9: 搜尋執行紀錄的查詢選項 Exercise 10: 搜尋執行紀錄

在本章中，你將認識 MLflow Models。MLflow 的 Models 元件在 Machine Learning 生命週期中的模型評估與模型工程步驟扮演關鍵角色。你會學到 MLflow Models 如何標準化 ML 模型的封裝方式，以及如何儲存、記錄與載入模型。你也會學到如何建立自訂的 MLflow Models，讓你的情境更具彈性，並學習如何評估模型效能。你將運用強大的「Flavors」概念，最後使用 MLflow 命令列工具進行模型部署。

Exercise 1: MLflow Models 簡介 Exercise 2: 封裝一個機器學習模型 Exercise 3: 儲存格式 Exercise 4: MLmodel 檔案包含哪些內容？Exercise 5: 模型 API Exercise 6: 儲存與載入模型 Exercise 7: 記錄與載入模型 Exercise 8: 自訂模型 Exercise 9: 建立自訂的 Python 類別 Exercise 10: 自訂 scikit-learn 模型 Exercise 11: Scikit-learn 風味與評估 Exercise 12: 模型服務 Exercise 13: 提供模型服務 Exercise 14: 從已部署的模型取得分數

本章將介紹 MLflow 的 Model Registry 概念。你會學到如何用 Model Registry 管理 ML 模型的生命週期。你將了解如何在 Model Registry 中建立與搜尋模型。接著，你會學習如何將模型註冊到 Model Registry，並在預先定義的階段之間轉換模型。最後，你也會學到如何從 Model Registry 部署模型。

Exercise 1: MLflow Model Registry 簡介 Exercise 2: 建立模型 Exercise 3: 搜尋模型 Exercise 4: 註冊模型 Exercise 5: 註冊現有模型 Exercise 6: 註冊新模型 Exercise 7: 模型階段 Exercise 8: Model Registry 中的模型階段 Exercise 9: 轉換模型階段 Exercise 10: 模型部署 Exercise 11: 從 Model Registry 提供模型服務 Exercise 12: 從 Model Registry 載入模型

在本章中，你將學會如何使用 MLflow Projects，讓你的資料科學程式碼更容易重複使用並具可重現性。章節會先介紹 MLflow Projects 的概念，並帶你建立一個 MLproject 檔案。之後，你會學到如何透過命令列與 MLflow Projects 模組來執行 MLflow Projects，同時認識參數帶來的彈性。最後，你將學會使用 MLflow Projects 建立多步驟工作流程，以管理 Machine Learning 生命週期中的各個步驟。

Exercise 1: MLflow Projects 簡介 Exercise 2: MLproject 檔案結構 Exercise 3: 建立 MLproject Exercise 4: 執行 MLflow 專案 Exercise 5: MLflow run 指令 Exercise 6: MLflow projects 模組 Exercise 7: 指定參數 Exercise 8: 在 MLproject 中加入參數 Exercise 9: 在專案執行中加入參數 Exercise 10: 工作流程 Exercise 11: 為機器學習生命週期建立 MLproject：模型工程 Exercise 12: 為 ML 生命週期建立 MLproject：模型評估

當前練習

Exercise 13: 建立多步驟工作流程：模型工程 Exercise 14: 建立多步驟工作流程：模型評估 Exercise 15: 結語