MLflow Képzés

Bevezetés

• A szoftverfejlesztés bevált gyakorlatainak adaptálása a gépi tanuláshoz.
• MLflow kontra Kubeflow -- hol ragyog a MLflow?

A Machine Learning ciklus áttekintése

• Adat-előkészítés, modell betanítás, modell telepítés, modell kiszolgálás stb.

A MLflow jellemzők és felépítés áttekintése

• MLflow Követés, MLflow Projektek és MLflow Modellek
• A MLflow parancssori felület (CLI) használata
• Navigálás a MLflow felhasználói felületen

Beállítás MLflow

• Telepítés nyilvános felhőben
• Telepítés helyszíni kiszolgálón

A fejlesztési környezet előkészítése

• Munkavégzés Jupyter notebookokkal, Python IDE-kkel és önálló szkriptekkel

Projekt előkészítése

• Csatlakozás az adatokhoz
• Előrejelzési modell készítése
• Modell kiképzése

A MLflow követés használata

• Kódverziók, adatok és konfigurációk naplózása
• Kimeneti fájlok és metrikák naplózása
• Az eredmények lekérdezése és összehasonlítása

Futó MLflow projektek

• A YAML szintaxis áttekintése
• A Git adattár szerepe
• Csomagolási kód az újrafelhasználhatóság érdekében
• Kód megosztása és együttműködés a csapattagokkal

Modellek mentése és kiszolgálása MLflow modellel

• Környezet kiválasztása a telepítéshez (felhő, önálló alkalmazás stb.)
• A gépi tanulási modell bevezetése
• A modell kiszolgálása

A MLflow Model Registry használata

• Központi adattár felállítása
• Modellek tárolása, annotálása és felfedezése
• Modellkezelés együttműködésben.

Integráció MLflow más rendszerekkel

• Munka a MLflow beépülő modulokkal
• Integráció harmadik féltől származó tárolórendszerekkel, hitelesítési szolgáltatókkal és REST API-kkal
• Működő Apache Spark -- nem kötelező

Hibaelhárítás

Összefoglalás, és következtetés