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.
Kurzusleírás
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
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
Követelmények
- Python programozási tapasztalat
- Gépi tanulási keretrendszerekkel és nyelvekkel kapcsolatos tapasztalat
Közönség
- Adattudósok
- Gépi tanulási mérnökök
21 Hours
Vélemények (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose