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
 

Numero di Partecipanti


Data Inizio

Data Fine


Le date sono soggette a disponibilità e si svolgono tra le 09:30 e le 16:30.
I corsi di formazione pubblici richiedono più di 5 partecipanti.

Recensioni (1)

Corsi relativi

Categorie relative