课程大纲

介绍

  • 将软件开发最佳实践应用于机器学习。
  • MLflow vs Kubeflow -- MLflow 在哪里闪耀?

Machine Learning 周期概述

  • 数据准备、模型训练、模型部署、模型服务等

MLflow 功能和体系结构概述

  • MLflow 跟踪、MLflow 项目和 MLflow 模型
  • 使用 MLflow 命令行界面 (CLI)
  • 导航 MLflow UI

设置 MLflow

  • 在公有云中安装
  • 在本地服务器中安装

准备开发环境

  • 使用 Jupyter 笔记本、Python IDE 和独立脚本

准备项目

  • 连接到数据
  • 创建预测模型
  • 训练模型

使用 MLflow 跟踪

  • 记录代码版本、数据和配置
  • 记录输出文件和指标
  • 查询和比较结果

正在运行 MLflow 个项目

  • YAML 语法概述
  • Git 存储库的角色
  • 可重用性的包装代码
  • 与团队成员共享代码和协作

使用 MLflow 个模型保存和提供模型

  • 选择部署环境(云、独立应用程序等)
  • 部署机器学习模型
  • 为模型提供服务

使用 MLflow 模型注册表

  • 设置中央存储库
  • 存储、注释和发现模型
  • 协作管理模型。

将 MLflow 与其他系统集成

  • 使用 MLflow 插件
  • 与第三方存储系统、身份验证提供程序和 REST API 集成
  • 工作 Apache Spark -- 可选

故障 排除

总结和结论

要求

  • Python 编程经验
  • 具有机器学习框架和语言的经验

观众

  • 数据科学家
  • 机器学习工程师
  21 小时
 

人数


开始

完结


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

客户评论 (1)

相关课程

课程分类