Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Införandet
- Anpassning av bästa praxis för programvaruutveckling till maskininlärning.
- MLflow vs Kubeflow -- var glänser MLflow?
Översikt över Machine Learning cykeln
- Förberedelse av data, modellträning, modelldistribution, modellhantering osv.
Översikt över MLflow funktioner och arkitektur
- MLflow Spårning, MLflow Projekt och MLflow Modeller
- Använda kommandoradsgränssnittet MLflow (CLI)
- Navigera i användargränssnittet MLflow
Inställning MLflow
- Installera i ett offentligt moln
- Installera på en lokal server
Förbereda utvecklingsmiljön
- Arbeta med Jupyter Notebooks, Python IDE:er och fristående skript
Förbereda ett projekt
- Ansluter till data
- Skapa en förutsägelsemodell
- Träna en modell
Använda MLflow-spårning
- Loggning av kodversioner, data och konfigurationer
- Loggning av utdatafiler och mått
- Fråga och jämföra resultat
Driva MLflow projekt
- Översikt över YAML-syntax
- Git-lagringsplatsens roll
- Förpackningskod för återanvändning
- Dela kod och samarbeta med teammedlemmar
Spara och betjäna modeller med MLflow modeller
- Välja en miljö för distribution (moln, fristående program osv.)
- Distribuera maskininlärningsmodellen
- Betjäna modellen
Använda modellregistret MLflow
- Konfigurera en central lagringsplats
- Lagra, kommentera och identifiera modeller
- Hantera modeller i samarbete.
Integrera MLflow med andra system
- Arbeta med MLflow Plugins
- Integrera med lagringssystem från tredje part, autentiseringsleverantörer och REST-API:er
- Arbeta Apache Spark -- valfritt
Felsökning
Sammanfattning och slutsats
Krav
- Python Erfarenhet av programmering
- Erfarenhet av ramverk och språk för maskininlärning
Publik
- Datavetare
- Ingenjörer inom maskininlärning
21 timmar
Vittnesmål (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose