Course Outline

Εισαγωγή

    Προσαρμογή βέλτιστων πρακτικών ανάπτυξης λογισμικού στη μηχανική μάθηση. MLflow εναντίον 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 Χρήση της διεπαφής 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 Κώδικας 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 εκμάθησης 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 προσθήκες Ενσωμάτωση με συστήματα αποθήκευσης τρίτων, παρόχους ελέγχου ταυτότητας και API REST Working Apache Spark -- προαιρετικό

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Python εμπειρία προγραμματισμού
  • Εμπειρία με πλαίσια και γλώσσες μηχανικής μάθησης

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Μηχανικοί μηχανικής εκμάθησης
  21 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (1)

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories