MLflow

• Python doświadczenie w programowaniu
• Doświadczenie z frameworkami i językami uczenia maszynowego

Publiczność

• Naukowcy zajmujący się danymi
• Inżynierowie uczenia maszynowego

MLflow to platforma typu open source do usprawniania cyklu życia uczenia maszynowego i zarządzania nim. Obsługuje dowolną bibliotekę ML (uczenia maszynowego), algorytm, narzędzie do wdrażania lub język. Wystarczy dodać MLflow do istniejącego kodu ML, aby udostępnić kod w dowolnej bibliotece ML używanej w organizacji.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza budowanie modeli ML i zoptymalizować proces tworzenia, śledzenia i wdrażania modeli ML.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować MLflow oraz powiązane biblioteki i frameworki ML.
• Docenić znaczenie możliwości śledzenia, odtwarzania i wdrażania modelu ML.
• Wdrażać modele ML na różnych chmurach publicznych, platformach lub serwerach lokalnych.
• Skalowanie procesu wdrażania uczenia maszynowego, aby pomieścić wielu użytkowników współpracujących nad projektem.
• Skonfiguruj centralny rejestr do eksperymentowania, odtwarzania i wdrażania modeli ML.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie

• Dostosowanie najlepszych praktyk tworzenia oprogramowania do uczenia maszynowego.
• MLflow vs Kubeflow - gdzie MLflow błyszczy?

Przegląd cyklu Machine Learning

• Przygotowanie danych, szkolenie modeli, wdrażanie modeli, obsługa modeli itp.

Przegląd funkcji i architektury MLflow

• Śledzenie MLflow, projekty MLflow i modele MLflow
• Korzystanie z MLflow interfejsu wiersza poleceń (CLI)
• Poruszanie się po interfejsie użytkownika MLflow

Konfiguracja MLflow

• Instalacja w chmurze publicznej
• Instalacja na serwerze lokalnym

Przygotowanie środowiska programistycznego

• Praca z notatnikami Jupyter, Python IDE i samodzielnymi skryptami

Przygotowanie projektu

• Łączenie się z danymi
• Tworzenie modelu predykcyjnego
• Trenowanie modelu

Korzystanie z MLflow śledzenia

• Rejestrowanie wersji kodu, danych i konfiguracji
• Rejestrowanie plików wyjściowych i metryk
• Wysyłanie zapytań i porównywanie wyników

Uruchamianie projektów MLflow

• Przegląd składni języka YAML
• Rola repozytorium Git
• Pakowanie kodu w celu ponownego użycia
• Udostępnianie kodu i współpraca z członkami zespołu

Zapisywanie i serwowanie modeli za pomocą MLflow Models

• Wybór środowiska do wdrożenia (chmura, samodzielna aplikacja itp.)
• Wdrażanie modelu uczenia maszynowego
• Serwowanie modelu

Korzystanie z MLflow Model Registry

• Konfigurowanie centralnego repozytorium
• Przechowywanie, dodawanie adnotacji i odkrywanie modeli
• Wspólne zarządzanie modelami.

Integracja MLflow z innymi systemami

• Praca z wtyczkami MLflow
• Integracja z systemami pamięci masowej innych firm, dostawcami uwierzytelniania i interfejsami API REST
• Praca Apache Spark -- opcjonalnie

Rozwiązywanie problemów

Podsumowanie i wnioski