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
Introduktion
- Anpassa bästa praxis för mjukvaruutveckling till maskininlärning.
- MLflow vs Kubeflow -- var lyser MLflow?
Översikt över cykeln Machine Learning
- Dataförberedelse, modellträning, modellinstallation, modellservering, etc.
Översikt över MLflow Funktioner och arkitektur
- MLflow Spårning, MLflow Projekt och MLflow Modeller
- Använda kommandoradsgränssnittet MLflow (CLI)
- Navigera i MLflow UI
Konfigurera MLflow
- Installera i ett offentligt moln
- Installation på en lokal server
Förbereda utvecklingsmiljön
- Arbeta med Jupyter-anteckningsböcker, Python IDE:er och fristående skript
Förbereda ett projekt
- Ansluter till data
- Skapa en prediktionsmodell
- Att träna en modell
Använda MLflow Spårning
- Logga kodversioner, data och konfigurationer
- Logga utdatafiler och mätvärden
- Fråga och jämföra resultat
Pågående MLflow projekt
- Översikt över YAML-syntax
- Rollen för Git-förvaret
- Förpackningskod för återanvändning
- Dela kod och samarbeta med teammedlemmar
Spara och servera modeller med MLflow modeller
- Välja en miljö för distribution (moln, fristående applikation, etc.)
- Implementera maskininlärningsmodellen
- Serverar modellen
Använda MLflow Model Registry
- Inrätta ett centralt arkiv
- Lagra, kommentera och upptäcka modeller
- Hantera modeller tillsammans.
Integrering MLflow med andra system
- Arbeta med MLflow plugins
- Integrering med tredje parts lagringssystem, autentiseringsleverantörer och REST API:er
- Fungerar Apache Spark -- valfritt
Felsökning
Sammanfattning och slutsats
Krav
- Python programmeringserfarenhet
- Erfarenhet av maskininlärningsramverk och språk
Publik
- Dataforskare
- Maskininlärningsingenjörer
21 timmar
Vittnesmål (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose