Azure Makine Öğrenmesi'nde MLflow: Senaryoları çalıştırın ve modelleri izleyin

Yerel makine öğrenimi deneylerinden ölçeklenebilir bulut eğitimine geçiş, doğru izleme araçları olmadan baskın hissedilebilir. Metriklerin, parametrelerin ve modellerin ortak bir ortamda yönetilmesi, deney kayıtlarına yapılmış bir yaklaşım gerektirir. Bu metin tabanlı kurs, MLflow ve Azure Machine Learning'in temel kavramları boyunca size rehberlik ederek, bulutta eğitim senaryolarını sorunsuz bir şekilde çalıştırmanın ve modelinizin performansını zaman içinde izlemenin nasıl yapılacağını gösterir. Ne öğreneceksiniz: Temel MLOps kavramları, çalışma alanları yapıları ve MLflow entegrasyonunu anlayın; Python eğitim senaryolarını Azure Machine Learning'de komut işleri olarak ayarlayın ve gönderin; Eğitim parametrelerini, özel metrikleri ve çıkış loglarını sistematik olarak izleyin; MLstream otologlama uygulamasını en az maliyetle model metriklerini otomatik olarak yakalamak için uygulayın Kod; Merkezi bulut kayıt defterinde model sürümlerini kaydedin ve yönetin; Yürütme tarihlerini analiz edin ve farklı eğitim iterasyonları arasında performansı karşılaştırın. Önce temel tanımlamalar ve kurulum prosedürlerini keşfederek başlayacaksınız, ardından izleme kodunu yazmaya ve bulutta yürütmeleri yönetmeye ilerleyeceksiniz. Her kavram, açık yazılı açıklamalar ve yapısal kod parçalarıyla güçlendirilir. Bu kurs, veri bilimcileri, makine öğrenimi tutkunları ve bulut tabanlı MLOps'a yeni başlayan geliştiriciler için tasarlanmıştır, Azure Machine Learning veya MLflow'da önceden tecrübe gerektirmez. Bugün bulutta makine öğrenimi deneylerinizi organize etmeye başlayın.