Курс за обучение по MLflow

Въведение

• Адаптиране на най-добрите практики за разработка на софтуер към машинно обучение.
• MLflow срещу Kubeflow -- къде блести MLflow?

Преглед на Machine Learning цикъла

• Подготовка на данни, обучение на модели, внедряване на модели, обслужване на модели и др.

Преглед на MLflow функции и архитектура

• MLflow Проследяване, MLflow Проекти и MLflow Модели
• Използване на MLflow интерфейса на командния ред (CLI)
• Навигиране в MLflow потребителския интерфейс

Настройка MLflow

• Инсталиране в публичен облак
• Инсталиране в локален сървър

Подготовка на средата за разработка

• Работа с преносими компютри Jupyter, Python IDE и самостоятелни скриптове

Изготвяне на проект

• Свързване към данните
• Създаване на прогнозен модел
• Обучение на модел

Използване на MLflow проследяване

• Регистриране на версии на код, данни и конфигурации
• Регистриране на изходни файлове и показатели
• Запитване и сравняване на резултатите

Изпълнение на MLflow проекта

• Преглед на синтаксиса на YAML
• Ролята на Git хранилището
• Код на опаковката за повторна употреба
• Споделяне на код и сътрудничество с членовете на екипа

Запазване и сервиране на модели с MLflow модела

• Избор на среда за внедряване (облак, самостоятелно приложение и т.н.)
• Внедряване на модела за машинно обучение
• Сервиране на модела

Използване на MLflow моделния регистър

• Създаване на централно хранилище
• Съхраняване, анотиране и откриване на модели
• Съвместно управление на модели.

Интегриране MLflow с други системи

• Работа с MLflow добавки
• Интегриране със системи за съхранение на трети страни, доставчици на удостоверяване и REST API
• Работен Apache Spark -- по избор

Отстраняване на неизправности

Обобщение и заключение