使用命令行 mlflow serve 将模型提供服务后，以下哪条 curl 命令可用于对采用 dataframe_split 类型的 JSON 输入获取评分？
mlflow serve
curl
dataframe_split
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将向您介绍 MLflow，以及它如何帮助解决机器学习生命周期中的一些难题。您将认识构成 MLflow 的四个核心概念，并重点学习 MLflow Tracking。您将学会创建实验与运行，并追踪指标、参数和制品。最后，您还将通过编程方式搜索 MLflow，找到符合特定条件的实验运行。
本章将向您介绍 MLflow Models。MLflow 中的 Models 组件在机器学习生命周期的模型评估与模型工程阶段起着关键作用。您将学习 MLflow Models 如何标准化 ML 模型的打包方式，以及如何保存、记录和加载模型。您还将学习如何创建自定义 MLflow 模型，以便在您的用例中具备更高的灵活性，并评估模型性能。您将使用强大的"Flavors"概念，最后通过 MLflow 命令行工具完成模型部署。
当前练习
本章将介绍 MLflow 的 Model Registry 概念。您将了解如何使用 Model Registry 来管理 ML 模型的全生命周期。您将学习如何在 Model Registry 中创建与搜索模型。随后，您会学习如何将模型注册到 Model Registry，并在预定义阶段之间转换模型。最后，您还将学习如何从 Model Registry 部署模型。
在本章中，您将学习如何使用 MLflow Projects 提升数据科学代码的可复用性与可复现性。章节将从介绍 MLflow Projects 的概念开始，并带您创建一个 MLproject 文件。随后，您将学习如何通过命令行与 MLflow Projects 模块运行项目，并了解使用参数为代码带来的灵活性。最后，您将学习如何构建一个使用 MLflow Projects 的多步骤工作流，以管理机器学习生命周期中的各个步骤。
