Обучение моделям с MLflow в производственных рабочих местах

По мере того, как модели машинного обучения переходят от интерактивных тетрадей к автоматизированным производственным заданиям, отслеживание экспериментов становится серьезной проблемой. Без систематического ведения учета воспроизведение результатов и сопоставление различных версий моделей практически невозможно. Этот курс, доступный только в текстовом виде, поможет вам интегрировать MLflow в ваши тренировочные сценарии для автоматического отслеживания параметров, метрик и моделей в рамках запланированных или запускаемых заданий. Вы узнаете, как перейти от локальных экспериментов к надежным, автоматизированным конвейерам отслеживания. Что вы узнаете: основные концепции MLflow, включая запуски, эксперименты и URI отслеживания; настройка тренировочных скриптов для автоматического ведения журнала параметров, метрик и производительности системы; реализация автоматического журнала для популярных платформ машинного обучения для минимизации шаблонного кода; хранение и управление артефактами модели, наборами данных и средой Запрос и сравнение прошлых запусков с использованием программных API и пользовательских интерфейсов; Применение современных передовых методов для запуска отслеживания MLflow в контейнеризированных заданиях. Вы начнете с основных концепций отслеживания экспериментов, а затем начнёте писать чистые, многоразовые скрипты на Python, которые будут инструментом вашего тренировочного конвейера. Пошаговые письменные руководства и фрагменты кода покажут вам, как структурировать, запускать и просматривать ваши задания машинного обучения. Этот курс предназначен для начинающих инженеров машинного обучения, ученых, занимающихся данными, и разработчиков, которые хотят выйти за рамки ручной регистрации. Не требуется предыдущего опыта работы с MLflow, хотя полезно иметь базовые знания Python. Начните создавать воспроизводимые конвейеры машинного обучения сегодня.