Corso di formazione MLflow

Introduzione

• Adattamento delle 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, distribuzione del modello, ecc.

Panoramica delle caratteristiche e dell'architettura di MLflow

• MLflow Tracciamento, MLflow Progetti e MLflow Modelli
• Utilizzo dell'interfaccia della riga di comando 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, IDE Python e script autonomi

Preparazione di un progetto

• Connessione ai dati
• Creazione di un modello di previsione
• Addestramento di un modello

Utilizzo del rilevamento MLflow

• Registrazione delle versioni, dei dati e delle configurazioni del codice
• Registrazione dei file di output e delle metriche
• Esecuzione di query e confronto dei risultati

Progetti in corso MLflow

• Panoramica della sintassi YAML
• Il ruolo del repository Git
• Codice di imballaggio per il riutilizzo
• 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
• Servire il modello

Utilizzo del Registro dei modelli MLflow

• Configurazione di un repository centrale
• Archiviazione, annotazione e individuazione di modelli
• Gestione collaborativa dei modelli.

Integrazione MLflow con altri sistemi

• Lavorare con MLflow Plugin
• Integrazione con sistemi di storage di terze parti, provider di autenticazione e API REST
• Funzionamento Apache Spark -- opzionale

Risoluzione dei problemi

Riassunto e conclusione