Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Wprowadzenie
- Dostosowanie najlepszych praktyk tworzenia oprogramowania do uczenia maszynowego.
- MLflow vs Kubeflow - gdzie MLflow błyszczy?
Przegląd cyklu Machine Learning
- Przygotowanie danych, szkolenie modeli, wdrażanie modeli, obsługa modeli itp.
Przegląd funkcji i architektury MLflow
- Śledzenie MLflow, projekty MLflow i modele MLflow
- Korzystanie z MLflow interfejsu wiersza poleceń (CLI)
- Poruszanie się po interfejsie użytkownika MLflow
Konfiguracja MLflow
- Instalacja w chmurze publicznej
- Instalacja na serwerze lokalnym
Przygotowanie środowiska programistycznego
- Praca z notatnikami Jupyter, Python IDE i samodzielnymi skryptami
Przygotowanie projektu
- Łączenie się z danymi
- Tworzenie modelu predykcyjnego
- Trenowanie modelu
Korzystanie z MLflow śledzenia
- Rejestrowanie wersji kodu, danych i konfiguracji
- Rejestrowanie plików wyjściowych i metryk
- Wysyłanie zapytań i porównywanie wyników
Uruchamianie projektów MLflow
- Przegląd składni języka YAML
- Rola repozytorium Git
- Pakowanie kodu w celu ponownego użycia
- Udostępnianie kodu i współpraca z członkami zespołu
Zapisywanie i serwowanie modeli za pomocą MLflow Models
- Wybór środowiska do wdrożenia (chmura, samodzielna aplikacja itp.)
- Wdrażanie modelu uczenia maszynowego
- Serwowanie modelu
Korzystanie z MLflow Model Registry
- Konfigurowanie centralnego repozytorium
- Przechowywanie, dodawanie adnotacji i odkrywanie modeli
- Wspólne zarządzanie modelami.
Integracja MLflow z innymi systemami
- Praca z wtyczkami MLflow
- Integracja z systemami pamięci masowej innych firm, dostawcami uwierzytelniania i interfejsami API REST
- Praca Apache Spark -- opcjonalnie
Rozwiązywanie problemów
Podsumowanie i wnioski
Wymagania
- Python doświadczenie w programowaniu
- Doświadczenie z frameworkami i językami uczenia maszynowego
Uczestnicy
- Naukowcy zajmujący się danymi
- Inżynierowie uczenia maszynowego
21 godzin
Opinie uczestników (1)
ekosystem ML nie tylko MLFlow, ale także Optuna, hyperops, docker i docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Szkolenie - MLflow
Przetłumaczone przez sztuczną inteligencję