Course Outline

Introductie

  • Best practices voor softwareontwikkeling aanpassen aan machine learning.
  • MLflow vs Kubeflow -- Waar schittert MLflow?

Overzicht van de Machine Learning-cyclus

  • Gegevensvoorbereiding, modeltraining, modelimplementatie, modelweergave, enz.

Overzicht van MLflow Functies en architectuur

  • MLflow Tracking, MLflow Projecten en MLflow Modellen
  • De opdrachtregelinterface (CLI) MLflow gebruiken
  • Navigeren door de gebruikersinterface MLflow

Instellen MLflow

  • Installeren in een publieke cloud
  • Installeren op een on-premise server

Voorbereiding van de ontwikkelingsomgeving

  • Werken met Jupyter-notebooks, Python IDE's en zelfstandige scripts

Een project voorbereiden

  • Verbinding maken met de gegevens
  • Een voorspellingsmodel maken
  • Een model trainen

MLflow Tracking gebruiken

  • Codeversies, gegevens en configuraties loggen
  • Uitvoerbestanden en metrische gegevens loggen
  • Resultaten opvragen en vergelijken

Lopende MLflow projecten

  • Overzicht van de YAML-syntaxis
  • De rol van de Git-repository
  • Verpakkingscode voor herbruikbaarheid
  • Code delen en samenwerken met teamleden

Modellen opslaan en weergeven met MLflow modellen

  • Een omgeving kiezen voor implementatie (cloud, standalone applicatie, enz.)
  • Het machine learning-model implementeren
  • Ten dienste van het model

Het MLflow modelregister gebruiken

  • Opzetten van een centrale repository
  • Modellen opslaan, annoteren en detecteren
  • Modellen gezamenlijk beheren.

Integratie MLflow met andere systemen

  • Werken met MLflow Plugins
  • Integratie met opslagsystemen van derden, authenticatieproviders en REST API's
  • Werken Apache Spark -- optioneel

Probleemoplossing

Samenvatting en conclusie

Requirements

  • Python programmeerervaring
  • Ervaring met machine learning frameworks en talen

Publiek

  • Datawetenschappers
  • Machine learning-ingenieurs
  21 Hours
 

Getuigenissen (1)

Related Courses

Related Categories