(Inggris) MLflow di Azure Machine Learning: Jalankan Script dan Jejak Model

Transisi dari eksperimen machine learning lokal ke pelatihan cloud yang dapat disesuaikan bisa terasa berat tanpa alat pelacakan yang tepat. Mengurus metrik, parameter, dan artefak model dalam lingkungan kolaboratif membutuhkan pendekatan terstruktur untuk eksperimen logging. Kursus berbasis teks ini memandu Anda melalui konsep dasar MLflow dan Azure Machine Learning, menunjukkan bagaimana Anda dapat menjalankan skrip pelatihan secara mulus di awan dan melacak kinerja model Anda seiring waktu. Apa yang akan Anda pelajari: Mengerti konsep dasar MLOps, struktur ruang kerja, dan integrasi MLflow; Konfigurasikan dan kirim skrip pelatihan Python sebagai pekerjaan perintah di Azure Machine Learning; Ikuti parameter pelatihan, metrik khusus, dan log keluaran secara sistematis; Terapkan autologging MLstream untuk menangkap metrik model secara otomatis dengan minimal kode; Mendaftar dan mengelola versi model di registry awan terpusat; Analisa sejarah berjalan dan membandingkan kinerja di seluruh iterasinya pelatihan yang berbeda. Anda akan mulai dengan menjelajahi definisi inti dan prosedur pengaturan, lalu maju ke menulis kode pelacakan dan mengelola berjalan di awan. Setiap konsep diperkuat dengan penjelasan tertulis yang jelas dan potongan kode yang terstruktur. Kursus ini dirancang untuk ilmuwan data, penggemar machine learning, dan pengembang yang baru untuk MLOps berbasis awan, tanpa pengalaman sebelumnya dalam Azure Machine Learning atau MLflow diperlukan. Mulailah mengorganisir eksperimen machine learning Anda di cloud hari ini.