MLflow培訓

介紹

• 將軟體開發最佳實踐應用於機器學習。
• MLflow 與 Kubeflow -- MLflow 在哪裡閃耀？

Machine Learning 週期概述

• 數據準備、模型訓練、模型部署、模型服務等

MLflow 特性和體系結構概述

• MLflow 跟蹤、MLflow 專案和 MLflow 模型
• 使用 MLflow 命令列介面 （CLI）
• 導航 MLflow UI

設定MLflow

• 在公有雲中安裝
• 在本地伺服器中安裝

準備開發環境

• 使用 Jupyter 筆記本、Python IDE 和獨立腳本

準備專案

• 連接到數據
• 創建預測模型
• 訓練模型

使用 MLflow 跟蹤

• 記錄代碼版本、數據和配置
• 記錄輸出檔和指標
• 查詢和比較結果

運行 MLflow 專案

• YAML 語法概述
• Git 倉庫的角色
• 包裝代碼，確保可重用性
• 共用代碼並與團隊成員協作

使用 MLflow 個模型保存和提供模型

• 選擇部署環境（雲、獨立應用程式等）
• 部署機器學習模型
• 為模型提供服務

使用 MLflow 模型註冊表

• 設置中央存儲庫
• 存儲、註釋和發現模型
• 協作管理模型。

將 MLflow 與其他系統集成

• 使用 MLflow 外掛程式
• 與第三方存儲系統、身份驗證供應商和 REST API 集成
• 工作 Apache Spark -- 可選

故障排除

總結和結論