MLflow

• Python 编程经验
• 具有机器学习框架和语言的经验

观众

• 数据科学家
• 机器学习工程师

MLflow 是一个开源平台，用于简化和管理机器学习生命周期。它支持任何 ML（机器学习）库、算法、部署工具或语言。只需将 MLflow 添加到您现有的 ML 代码中，即可在组织内使用的任何 ML 库中共享代码。

这种以讲师为主导的现场培训（现场或远程）针对的是希望超越构建ML模型并优化ML模型创建，跟踪和部署过程的数据科学家。

在培训结束时，参与者将能够：

• 安装和配置 MLflow 以及相关的 ML 库和框架。
• 了解 ML 模型的可跟踪性、可再现性和可部署性的重要性
• 将 ML 模型部署到不同的公有云、平台或本地服务器。
• 扩展 ML 部署过程，以适应在项目上进行协作的多个用户。
• 设置中央注册表以试验、复制和部署 ML 模型。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在现场实验室环境中实际实施。

课程定制选项

• 如需申请此课程的定制培训，请联系我们进行安排。

介绍

• 将软件开发最佳实践应用于机器学习。
• MLflow 与 Kubeflow -- MLflow 在哪里闪耀？

Machine Learning 周期概述

• 数据准备、模型训练、模型部署、模型服务等

MLflow 特性和体系结构概述

• MLflow 跟踪、MLflow 项目和 MLflow 模型
• 使用 MLflow 命令行界面 （CLI）
• 导航 MLflow UI

设置 MLflow

• 在公有云中安装
• 在本地服务器中安装

准备开发环境

• 使用 Jupyter 笔记本、Python IDE 和独立脚本

准备项目

• 连接到数据
• 创建预测模型
• 训练模型

使用 MLflow 跟踪

• 记录代码版本、数据和配置
• 记录输出文件和指标
• 查询和比较结果

运行 MLflow 项目

• YAML 语法概述
• Git 仓库的角色
• 包装代码，确保可重用性
• 共享代码并与团队成员协作

使用 MLflow 个模型保存和提供模型

• 选择部署环境（云、独立应用程序等）
• 部署机器学习模型
• 为模型提供服务

使用 MLflow 模型注册表

• 设置中央存储库
• 存储、注释和发现模型
• 协作管理模型。

将 MLflow 与其他系统集成

• 使用 MLflow 插件
• 与第三方存储系统、身份验证提供商和 REST API 集成
• 工作 Apache Spark -- 可选

故障 排除

总结和结论