MLflow Κομμάτι εκπαίδευσης

Εισαγωγή

• Προσαρμογή βέλτιστων πρακτικών ανάπτυξης λογισμικού στη μηχανική μάθηση.
• MLflow έναντι Kubeflow -- πού λάμπει το MLflow;

Επισκόπηση του Κύκλου Machine Learning

• Προετοιμασία δεδομένων, εκπαίδευση μοντέλων, ανάπτυξη μοντέλων, εξυπηρέτηση μοντέλων κ.λπ.

Επισκόπηση MLflow Χαρακτηριστικά και Αρχιτεκτονική

• MLflow Παρακολούθηση, MLflow Έργα και MLflow Μοντέλα
• Χρησιμοποιώντας τη διεπαφή γραμμής εντολών MLflow (CLI)
• Πλοήγηση στη διεπαφή χρήστη MLflow

Ρύθμιση MLflow

• Εγκατάσταση σε δημόσιο σύννεφο
• Εγκατάσταση σε διακομιστή εσωτερικής εγκατάστασης

Προετοιμασία Αναπτυξιακού Περιβάλλοντος

• Εργασία με σημειωματάρια Jupyter, Python IDE και αυτόνομα σενάρια

Προετοιμασία Έργου

• Σύνδεση με τα δεδομένα
• Δημιουργία μοντέλου πρόβλεψης
• Εκπαίδευση μοντέλου

Χρήση MLflow Tracking

• Καταγραφή εκδόσεων κώδικα, δεδομένων και διαμορφώσεων
• Καταγραφή αρχείων εξόδου και μετρήσεων
• Ερώτηση και σύγκριση αποτελεσμάτων

Εκτέλεση MLflow Έργων

• Επισκόπηση της σύνταξης YAML
• Ο ρόλος του αποθετηρίου Git
• Κωδικός συσκευασίας για επαναχρησιμοποίηση
• Κοινή χρήση κώδικα και συνεργασία με μέλη της ομάδας

Αποθήκευση και εξυπηρέτηση μοντέλων με MLflow μοντέλα

• Επιλογή περιβάλλοντος για ανάπτυξη (σύννεφο, αυτόνομη εφαρμογή κ.λπ.)
• Ανάπτυξη του μοντέλου μηχανικής μάθησης
• Εξυπηρέτηση του μοντέλου

Χρησιμοποιώντας το MLflow Μητρώο Μοντέλων

• Δημιουργία κεντρικού αποθετηρίου
• Αποθήκευση, σχολιασμός και ανακάλυψη μοντέλων
• Συνεργατική διαχείριση μοντέλων.

Ενσωμάτωση MLflow με άλλα συστήματα

• Εργασία με MLflow Πρόσθετα
• Ενσωμάτωση με συστήματα αποθήκευσης τρίτων, παρόχους ελέγχου ταυτότητας και API REST
• Εργασία Apache Spark -- προαιρετικό

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα