Grazie per aver inviato la vostra richiesta! Un membro del nostro team vi contatterà a breve.
Grazie per aver inviato la vostra prenotazione! Un membro del nostro team vi contatterà a breve.
Struttura del corso
Introduzione
- Adattare le best practice di sviluppo software all'apprendimento automatico.
- MLflow vs Kubeflow - dove brilla MLflow?
Panoramica del ciclo Machine Learning
- Preparazione dei dati, addestramento del modello, distribuzione del modello, servizio del modello, ecc.
Panoramica di MLflow Funzionalità e architettura
- MLflow Tracciamento, MLflow Progetti e MLflow Modelli
- Utilizzo dell'interfaccia della riga di comando (CLI) MLflow
- Navigazione nell'interfaccia utente MLflow
Impostazione MLflow
- Installazione in un cloud pubblico
- Installazione in un server on-premise
Preparazione dell'ambiente di sviluppo
- Utilizzo di notebook Jupyter, Python IDE e script autonomi
Preparazione di un progetto
- Connessione ai dati
- Creazione di un modello di stima
- Addestramento di un modello
Uso del MLflow Tracking
- Registrazione delle versioni, dei dati e delle configurazioni del codice
- Registrazione di file di output e metriche
- Esecuzione di query e confronto dei risultati
Esecuzione di MLflow progetti
- Cenni preliminari sulla sintassi YAML
- Il ruolo del repository Git
- Codice di imballaggio per la riutilizzabilità
- Condivisione del codice e collaborazione con i membri del team
Salvataggio e pubblicazione di modelli con MLflow modelli
- Scelta di un ambiente per la distribuzione (cloud, applicazione autonoma e così via)
- Distribuzione del modello di Machine Learning
- Al servizio del modello
Utilizzo del Registro di sistema MLflow
- Creazione di un repository centrale
- Archiviazione, annotazione e individuazione dei modelli
- Gestione collaborativa dei modelli.
Integrazione MLflow con altri sistemi
- Lavorare con MLflow Plugin
- Integrazione con sistemi di storage, provider di autenticazione e API REST di terze parti
- Apache Spark funzionante -- facoltativo
Risoluzione dei problemi
Riassunto e conclusione
Requisiti
- Python Esperienza di programmazione
- Esperienza con framework e linguaggi di machine learning
Pubblico
- Scienziati dei dati
- Ingegneri dell'apprendimento automatico
21 ore
Recensioni (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose