Mengurus Siklus Hidup Pembelajaran Mesin dengan MLflow

Membuat model machine learning hanya setengah dari pertempuran; melacak eksperimen, mereproduksi hasil, dan menerapkan model ke produksi bisa menjadi kacau. Tanpa aliran kerja yang terstruktur, mengelola versi kode, hyperparameter, dan artefak model menjadi kendala utama. Kursus berbasis teks ini akan memandu Anda melalui komponen inti dari MLflow, sebuah platform open-source yang dirancang untuk mengelola siklus hidup machine learning dari awal hingga akhir. Anda akan belajar bagaimana untuk secara sistematis melacak eksperimen, membungkus kode Anda untuk reproduksi, dan menerapkan model dengan percaya diri. Apa yang akan kau pelajari: - Mengerti konsep dasar dari siklus hidup pembelajaran mesin dan arsitektur MLflow. - Eksperimen jejak, parameter, metrik, dan artefak menggunakan MLflow Tracking dan logging otomatis. - Paket kode pembelajaran mesin ke dalam yang dapat digunakan kembali, dapat diproduksi berjalan menggunakan MLflow Projects. - Manajemen, versi, dan model transisi melalui tahapan yang berbeda menggunakan MLflow Model Registry. - Deploy model terlatih ke lingkungan produksi menggunakan MLflow Models. - Terapkan fitur MLflow modern untuk mengevaluasi model dan melacak prompt dan keluaran model bahasa besar. Anda akan mulai dengan menguasai konsep dan terminologi siklus hidup pembelajaran mesin dasar sebelum menyelam ke penjelasan tertulis dan potongan kode praktis untuk setiap komponen inti MLflow. Kursus ini dirancang untuk ilmuwan data pemula, insinyur machine learning, dan pengembang yang memahami konsep dasar Python dan machine learning tetapi ingin mengatur dan skala workflow mereka. Tidak diperlukan pengalaman sebelumnya dengan MLflow. Mulailah mengorganisir proyek machine learning Anda dan membangun workflow yang dapat direproduksi hari ini.