MLflow trong Azure Machine Learning: chạy các kịch bản và theo dõi mô hình

Chuyển đổi từ các thí nghiệm học máy địa phương sang đào tạo đám mây có thể cảm thấy áp đảo nếu không có các công cụ theo dõi đúng. Quản lý các chỉ số, tham số và các hiện vật mô hình trong một môi trường hợp tác đòi hỏi một cách tiếp cận có cấu trúc đối với việc ghi lại thí nghiệm. Lớp học dựa trên văn bản này hướng dẫn bạn qua các khái niệm cơ bản của MLflow và Azure Machine Learning, cho bạn thấy cách chạy các kịch bản huấn luyện một cách liền mạch trong đám mây và theo dõi hiệu suất của mô hình của bạn theo thời gian. Bạn sẽ học được gì: Hiểu các khái niệm MLOps cơ bản, cấu trúc không gian làm việc và tích hợp MLflow; Cấu hình và gửi các kịch bản huấn luyện Python như công việc lệnh trong Azure Machine Learning; Theo dõi các tham số huấn Luyện, các chỉ số tùy chỉnh và các bản ghi đầu ra một cách có hệ thống; Apply ML flow autologging to automatically capture model metrics with minimal mã; Đăng ký và quản lý các phiên bản mô hình trong đăng ký đám mây tập trung; Phân tích lịch sử chạy và so sánh hiệu suất qua các lặp huấn luyện khác nhau. Bạn sẽ bắt đầu bằng cách khám phá các định nghĩa cốt lõi và các thủ tục cài đặt, sau đó tiến hành viết mã theo dõi và quản lý chạy trong đám mây. Mỗi khái niệm được củng cố với các giải thích rõ ràng và các đoạn mã có cấu trúc. Lớp học này được thiết kế cho các nhà khoa học dữ liệu, người đam mê học máy và các nhà phát triển mới đến MLOps dựa trên đám mây, không có kinh nghiệm trước đó trong Azure Machine Learning hoặc MLflow cần thiết. Bắt đầu tổ chức các thí nghiệm học máy của bạn trong đám mây ngay hôm nay.