Üretim İşlerinde MLflow ile Model Eğitimi

Makine öğrenimi modelleri interaktif dizüstü bilgisayarlardan otomatik üretim görevlerine geçiş yaparken, deneylerin izlenmesi büyük bir sorun haline geliyor. Sistemli kayıt olmadan, sonuçları tekrarlamak ve model sürümlerini karşılaştırmak neredeyse imkansızdır. Bu sadece metin dersi, MLflow'u eğitim senaryolarınıza entegre etme sürecinde, planlanmış veya tetiklenen işler içinde parametreleri, metrikleri ve modelleri otomatik olarak izlemek için size rehberlik eder. Yerel deneylerden sağlam, otomatik izleme boru hatlarına nasıl geçiş yapılacağını öğreneceksiniz. Ne öğreneceksiniz: MLflow çekirdek kavramlarını anlayın, yürütmeler, deney ve izleme URI dahil; Parametreleri, metrikleri ve sistem performansını otomatik olarak kaydetmek için eğitim senaryolarını ayarlayın; Boilerplate kodunu en aza indirmek için popüler makine öğrenme çerçeveleri için otomatik kayıt uygulaması; Model objeleri, veri kümeleri ve çevreyi depolayın ve yönetin Güvenli şekilde konfigürasyonlar oluşturun; Programlama API'leri ve kullanıcı arayüzleri kullanarak geçmiş yürüyüşleri sorgulayın ve karşılaştırın; Konteynerleştirilmiş işler içinde MLflow izleme çalışması için modern en iyi uygulamaları uygulayın. Deney izleme temel kavramlarıyla başlayacaksınız. Daha sonra eğitim boru hattınızın araçlarını oluşturacak temiz, tekrar kullanılabilir Python scriptleri yazacaksınız. Adım adım yazılmış kılavuz ve kod parçaları, makine öğrenme işlerinizi nasıl yapacağınızı, çalıştıracağınızı ve gözden geçireceğinizi gösterecektir. Bu kurs, başlangıç makine öğrenimi mühendisleri, veri bilimcileri ve manuel kayıtların ötesine geçmek isteyen geliştiriciler için tasarlanmıştır. MLflow ile önceden bir deneyim gerekmez, ancak temel Python bilgisi yararlıdır. Bugün tekrarlanabilir makine öğrenimi boru hatları inşa etmeye başlayın.