MLflow Training Cursus

Introductie

• Best practices voor softwareontwikkeling aanpassen aan machine learning.
• MLflow versus Kubeflow -- Waar schijnt MLflow uit?

Overzicht van de Machine Learning cyclus

• Gegevensvoorbereiding, modeltraining, modelimplementatie, modelbediening, enz.

Overzicht van MLflow functies en architectuur

• MLflow Volgen, MLflow Projecten en MLflow Modellen
• De MLflow opdrachtregelinterface (CLI) gebruiken
• Navigeren door de MLflow UI

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

• Versies, gegevens en configuraties van codecode registreren
• 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 serveren 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 ontdekken
• 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