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.
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