MLflow no Azure Machine Learning: executar scripts e rastrear modelos

A transição de experimentos locais de machine learning para treinamento escalável na nuvem pode parecer difícil sem as ferramentas de rastreamento certas. Gerenciar métricas, parâmetros e artefatos de modelo em um ambiente colaborativo requer uma abordagem estruturada para o registro de experimentos. Este curso baseado em texto orienta você pelos conceitos fundamentais do MLflow e do Azure Machine Learning, mostrando como executar scripts de treinamento na nuvem e acompanhar o desempenho do seu modelo ao longo do tempo. O que você aprenderá: Entenda os conceitos fundamentais de MLOps, estruturas de espaço de trabalho e integração do MLflow; Configure e envie scripts de treinamento Python como trabalhos de comando no Azure Machine Learning; Acompanhe sistematicamente os parâmetros de treino, as métricas personalizadas e os logs de saída; Aplique o registro automático do MGflow para capturar automaticamente as metrics do modelo com o mínimo de esforço. Registre e gerencie versões de modelos no registro centralizado na nuvem; Analise históricos de execução e compare o desempenho em diferentes iterações de treinamento. Você começará explorando as principais definições e procedimentos de configuração e, em seguida, avançará para escrever código de rastreamento e gerenciar execuções na nuvem. Cada conceito é reforçado com explicações claras e fragmentos de código estruturados. Este curso foi projetado para cientistas de dados, entusiastas de machine learning e desenvolvedores que são novos em MLOps baseados em nuvem, sem experiência prévia no Azure Machine Learning ou MLflow. Comece a organizar suas experiências de machine learning na nuvem hoje mesmo.