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

Antal deltagare



Price per participant

Vittnesmål (1)

Relaterade Kurser

Relaterade Kategorier