MLflow en Azure Machine Learning: Ejecutar Scripts y Rastrear Modelos

La transición de experimentos de aprendizaje automático locales a entrenamiento escalable en la nube puede resultar abrumadora sin las herramientas de rastreo adecuadas. La gestión de métricas, parámetros y artefactos de modelos en un entorno colaborativo requiere un enfoque estructurado para el registro de experimentos. Este curso basado en texto lo guiará a través de los conceptos fundamentales de MLflow y Azure Machine Learning, mostrándole cómo ejecutar scripts de entrenamiento sin problemas en la nube y rastrear el rendimiento de su modelo a lo largo del tiempo. Lo que aprenderá: * Comprender los conceptos fundamentales de MLOps, las estructuras del espacio de trabajo y la integración de MLflow; * Configurar y enviar scripts de entrenamiento de Python como trabajos de comandos en Azure Machine Learning; * Rastrear sistemáticamente parámetros de entrenamiento, métricas personalizadas y registros de salida; * Aplicar el autologging de MLflow para capturar automáticamente métricas de modelos con un mínimo de código; * Registrar y administrar versiones de modelos en el registro centralizado en la nube; * Analizar historiales de ejecución y comparar el rendimiento entre diferentes iteraciones de entrenamiento. Comenzará explorando las definiciones principales y los procedimientos de configuración, luego progresará a la escritura de código de rastreo y la gestión de ejecuciones en la nube. Cada concepto se refuerza con explicaciones escritas claras y fragmentos de código estructurados. Este curso está diseñado para científicos de datos, entusiastas del aprendizaje automático y desarrolladores que son nuevos en MLOps basado en la nube, sin necesidad de experiencia previa en Azure Machine Learning o MLflow. Comience a organizar sus experimentos de aprendizaje automático en la nube hoy mismo.