MLflow Képzés

Bevezetés

• Szoftverfejlesztési ajánlott eljárások alkalmazása a gépi tanulásban.
• MLflow vs Kubeflow -- hol tűnik ki az MLflow?

A gépi tanulási ciklus áttekintése

• Adat előkészítés, modell képzés, modell telepítés, modell kiszolgálás stb.

Az MLflow funkciók és architektúra áttekintése

• MLflow Tracking, MLflow Projects és MLflow Models
• Az MLflow parancssori felület (CLI) használata
• Az MLflow felhasználói felületének navigálása

Az MLflow beállítása

• Telepítés nyilvános felhőben
• Telepítés helyszíni szerveren

A fejlesztői környezet előkészítése

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

Projekt előkészítése

• Csatlakozás az adatokhoz
• Előrejelző modell létrehozása
• Modell képzése

Az MLflow Tracking használata

• Kód verziók, adatok és konfigurációk naplózása
• Kimeneti fájlok és metrikák naplózása
• Eredmények lekérdezése és összehasonlítása

MLflow Projects futtatása

• A YAML szintaxis áttekintése
• A Git repository szerepe
• Kód csomagolása újrafelhasználhatóság érdekében
• Kód megosztása és együttműködés a csapattagokkal

Modellek mentése és kiszolgálása az MLflow Models segítségével

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

Az MLflow Model Registry használata

• Központi adattár beállítása
• Modellek tárolása, annotálása és felfedezése
• Modellek együttműködéses kezelése.

Az MLflow integrálása más rendszerekkel

• Munka MLflow bővítményekkel
• Integráció harmadik féltől származó tárolórendszerekkel, hitelesítési szolgáltatókkal és REST API-kkal
• Munka Apache Spark-kal -- opcionális

Hibaelhárítás

Összefoglalás és befejezés