MLflow Träningskurs

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