MLflow-Modellverwaltung in Azure Machine Learning

Die Lücke zwischen dem Training von Machine-Learning-Modellen und deren Verwaltung in der Produktion kann ohne eine strukturierte Registrierung schwierig zu schließen sein. Dieser textbasierte Kurs führt Sie durch den Prozess der Verwendung von MLflow in Azure Machine Learning, um Ihre Modelllebenszyklen effizient zu protokollieren, zu registrieren und zu verwalten. Sie erhalten praktische Einblicke in die Umstellung von Modellen von lokalen Trainingsläufen auf Cloud-verwaltete Assets. Was Sie lernen werden: - Verstehen Sie grundlegende Modellregisterkonzepte und die Rolle von MLflow in modernen MLOps. - Konfigurieren Sie Azure Machine Learning-Arbeitsbereiche, um MLflow-Experimente zu verfolgen. - Registrieren Sie trainierte MLflow-Modelle mit Versionskontrolle und benutzerdefinierten Metadaten. - Verwalten Sie Modellumgebungen und Abhängigkeiten mithilfe reproduzierbarer Verpackungsstandards. - Bereiten Sie registrierte Modelle für die Bereitstellung auf Cloud-Endpunkten vor. Sie beginnen mit den Kerndefinitionen der Lebenszyklen von Machine Learning und der Tracking-Terminologie, bevor Sie Schritt für Schritt schriftliche Erklärungen, Code-Snippets und Konfigurationsbeispiele für Tracking und Bereitstellung erhalten. Dieser Kurs richtet sich an Anfänger, die ihre Modell-Workflows organisieren möchten und nur grundlegende Python-Kenntnisse benötigen. Organisieren Sie Ihre Machine-Learning-Modelle noch heute.