Track Model Training with MLflow in Production Jobs

Khi các mô hình học máy chuyển từ các cuốn sổ tay tương tác sang các công việc sản xuất tự động, theo dõi các thí nghiệm trở thành một thách thức lớn. Không có việc ghi chép có hệ thống, tái tạo kết quả và so sánh các phiên bản mô hình gần như là không thể. Lớp học chỉ có văn bản này hướng dẫn bạn qua quá trình tích hợp MLflow vào các kịch bản huấn luyện của bạn để tự động theo dõi các tham số, chỉ số và mô hình trong các công việc được lên lịch hoặc kích hoạt. Bạn sẽ học cách chuyển đổi từ thí nghiệm địa phương sang các đường ống theo dõi tự động mạnh mẽ. Bạn sẽ học được gì: Hiểu các khái niệm cốt lõi của MLflow, bao gồm chạy, thí nghiệm và URI theo dõi; Cấu hình các văn lệnh huấn luyện để tự động đăng ký các tham số, chỉ số và hiệu suất hệ thống; Thực hiện tự động ghi nhật ký cho các khung học máy phổ biến để giảm thiểu mã boilerplate; Cất trữ và quản lý các hiện vật mô hình, tập dữ liệu và môi trường Cấu hình an toàn; Tìm kiếm và so sánh chạy trước đó sử dụng API lập trình và giao diện người dùng; Apply best practices hiện đại cho chạy MLflow theo dõi trong các công việc containerized. Bạn sẽ bắt đầu với các khái niệm cơ bản của việc theo dõi thí nghiệm trước khi viết các kịch bản Python sạch, có thể tái sử dụng để thiết bị đường ống huấn luyện của bạn. Các hướng dẫn viết từng bước và đoạn mã sẽ cho bạn biết cách cấu trúc, chạy và xem xét các công việc học máy của bạn. Lớp học này được thiết kế cho kỹ sư học máy mới bắt đầu, nhà khoa học dữ liệu và nhà phát triển muốn vượt qua việc ghi nhật ký thủ công. Không cần kinh nghiệm trước với MLflow, mặc dù kiến thức Python cơ bản là hữu ích. Bắt đầu xây dựng các đường ống học máy tái tạo ngay hôm nay.