Zarządzanie modelami MLflow w usłudze Azure Machine Learning

Wypełnienie luki między szkoleniem modeli uczenia maszynowego a zarządzaniem nimi w produkcji może być trudne bez uporządkowanego rejestru. Ten kurs tekstowy przeprowadzi Cię przez proces używania MLflow w usłudze Azure Machine Learning w celu efektywnego rejestrowania, rejestrować i zarządzać cyklami życia modelu. Zdobędziesz praktyczne zrozumienie sposobu przechodzenia modeli z lokalnych przebiegów szkoleniowych do zasobów zarządzanych w chmurze. Czego się nauczysz: - Zrozum podstawowe koncepcje rejestru modelu i rolę MLflow w nowoczesnych MLOps. - Skonfiguruj obszary robocze Azure Machine Learning, aby śledzić eksperymenty MLflow. - Zarejestruj wyszkolone modele MLflow z kontrolą wersji i niestandardowymi metadanymi. - Zarządzaj środowiskami i zależnościami modelu przy użyciu odtwarzalnych standardów pakowania. - Przygotuj zarejestrowane modele do wdrożenia w punktach końcowych chmury. Zaczniesz od podstawowych definicji cykli życia uczenia maszynowego i terminologii śledzenia, a następnie przejdziesz do szczegółowych pisemnych wyjaśnień, fragmentów kodu i przykładów konfiguracji śledzenie i wdrażanie. Ten kurs jest przeznaczony dla początkujących naukowców zajmujących się danymi i inżynierów uczenia maszynowego, którzy chcą zorganizować swoje przepływy pracy modelu, wymagające tylko podstawowej wiedzy Pythona. Zacznij organizować swoje modele uczenia maszynowego już dziś.