MLflow

• Python 程式設計經驗
• 具有機器學習框架和語言的經驗

觀眾

• 數據科學家
• 機器學習工程師

MLflow 是一個開源平臺，用於簡化和管理機器學習生命週期。它支援任何 ML（機器學習）庫、演算法、部署工具或語言。只需將 MLflow 添加到您現有的 ML 代碼中，即可在組織內使用的任何 ML 庫中共享代碼。

這種以講師為主導的現場培訓（現場或遠端）針對的是希望超越構建ML模型並優化ML模型創建，跟蹤和部署過程的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 MLflow 以及相關的 ML 庫和框架。
• 瞭解 ML 模型的可跟蹤性、可再現性和可部署性的重要性
• 將 ML 模型部署到不同的公有雲、平臺或本地伺服器。
• 擴展 ML 部署過程，以適應在專案上進行協作的多個使用者。
• 設置中央註冊表以試驗、複製和部署ML模型。

課程形式

• 互動講座和討論。
• 大量的練習和練習。
• 在現場實驗室環境中實際實施。

課程定製選項

• 如需申請此課程的定製培訓，請聯繫我們進行安排。

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