MLflow ile Jupyter Notebooks'ta Model Eğitimini Takip Etme

Makine öğrenimi modelleriyle deney yaparken, farklı hiperparametreleri, eğitim çalıştırmalarını ve değerlendirme metriklerini takip etmek hızla kaotik hale gelebilir. Bu yalnızca metin tabanlı kurs, MLflow takibini doğrudan Jupyter Notebooks'unuza entegre ederek makine öğrenimi iş akışınızı düzenlemeniz konusunda size rehberlik eder. Yapılandırılmış açıklamaları okuyarak ve yazılı kod örnekleriyle pratik yaparak, yapılandırılmamış deneysel betiklerinizi tekrarlanabilir, düzenli bir makine öğrenimi işlem hattına dönüştüreceksiniz. Çalıştırmaları karşılaştırma, model yapıtlarını yönetme ve yerel deneylerden yapılandırılmış model kayıt defterlerine geçiş yapma konusunda güven kazanacaksınız. Ne öğreneceksiniz: Temel MLOps kavramlarını, temel terminolojiyi ve MLflow mimarisini anlama; MLflow takip ortamlarını yapılandırma ve Jupyter Notebooks içinde çalıştırmaları başlatma; Model eğitimi sırasında parametreleri, özel metrikleri ve etiketleri sistematik olarak kaydetme; Kodunuzu basitleştirmek için popüler makine öğrenimi kütüphanelerinin otomatik kaydetme (autologging) özelliklerini uygulama; MLflow Model Registry kullanarak eğitilmiş modelleri yönetme ve sürümlendirme; En iyi performansı gösteren model konfigürasyonlarını belirlemek için eğitim çalıştırmalarını karşılaştırma. Çekirdek makine öğrenimi yaşam döngüsü kavramlarını öğrenerek ve takip ortamınızı kurarak başlayacaksınız. Ardından, metin size manuel ve otomatik kaydetme teknikleri konusunda rehberlik edecek, bu da deneylerinizi düzenlemeniz ve nihai modellerinizi kaydetmenizle sonuçlanacaktır. Bu kurs, temel Python bilgisine sahip olan ve modelleme iş akışlarını düzenlemek isteyen başlangıç seviyesindeki veri bilimcileri, makine öğrenimi meraklıları ve geliştiriciler için tasarlanmıştır. MLflow veya MLOps konusunda önceden deneyim gerekmemektedir. Makine öğrenimi deneylerinize yapı, tekrarlanabilirlik ve netlik kazandırmak için okumaya bugün başlayın.