Cursuri de pregatire MLflow

Introducere

• Adaptarea celor mai bune practici de dezvoltare software la învățarea automată.
• MLflow vs Kubeflow - unde strălucește MLflow?

Prezentare generală a ciclului Machine Learning

• Pregătirea datelor, formarea modelului, implementarea modelului, servirea modelului etc.

Prezentare generală a funcțiilor și arhitecturii MLflow

• Urmărirea MLflow, MLflow proiecte și MLflow modele
• Utilizarea interfeței de linie de comandă MLflow (CLI)
• Navigarea în interfața de utilizator MLflow

Configurarea MLflow

• Instalarea într-un cloud public
• Instalarea pe un server on-premise

Pregătirea mediului de dezvoltare

• Lucrul cu notebook-uri Jupyter, Python IDE-uri și scripturi autonome

Pregătirea unui proiect

• Conectarea la date
• Crearea unui model de predicție
• Pregătirea unui model

Utilizarea MLflow Urmărire

• Înregistrarea versiunilor de cod, a datelor și a configurațiilor
• Înregistrarea fișierelor de ieșire și a metricilor
• Interogarea și compararea rezultatelor

Rularea proiectelor MLflow

• Prezentare generală a sintaxei YAML
• Rolul depozitului Git
• Ambalarea codului pentru reutilizare
• Partajarea codului și colaborarea cu membrii echipei

Salvarea și servirea modelelor cu MLflow Models

• Alegerea unui mediu pentru implementare (cloud, aplicație autonomă etc.)
• Implementarea modelului de învățare automată
• Servirea modelului

Utilizarea registrului MLflow Model Registry

• Configurarea unui depozit central
• Stocarea, adnotarea și descoperirea modelelor
• Gestionarea colaborativă a modelelor.

Integrarea MLflow cu alte sisteme

• Lucrul cu pluginurile MLflow
• Integrarea cu sisteme de stocare terțe, furnizori de autentificare și API-uri REST
• Lucrul Apache Spark -- opțional

Rezolvarea problemelor

Rezumat și concluzie