Theo dõi Huấn luyện Mô hình với MLflow trong các Công việc Sản xuất

Khi các mô hình máy học chuyển từ sổ ghi chép tương tác sang các công việc sản xuất tự động, việc theo dõi các thử nghiệm trở thành một thách thức lớn. Nếu không có việc ghi nhật ký có hệ thống, việc tái tạo kết quả và so sánh các phiên bản mô hình là gần như không thể. Khóa học chỉ bằng văn bản này hướng dẫn bạn quy trình tích hợp MLflow vào các tập lệnh huấn luyện của bạn để tự động theo dõi các tham số, chỉ số và mô hình trong các công việc được lên lịch hoặc kích hoạt. Bạn sẽ học cách chuyển đổi từ thử nghiệm cục bộ sang các đường ống theo dõi tự động, mạnh mẽ. Bạn sẽ học: * Hiểu các khái niệm cốt lõi của MLflow, bao gồm các lần chạy, thử nghiệm và URI theo dõi; * Cấu hình các tập lệnh huấn luyện để tự động ghi lại các tham số, chỉ số và hiệu suất hệ thống; * Triển khai tự động ghi nhật ký cho các framework máy học phổ biến để giảm thiểu mã boilerplate; * Lưu trữ và quản lý an toàn các tạo tác mô hình, tập dữ liệu và cấu hình môi trường; * Truy vấn và so sánh các lần chạy trước đó bằng cách sử dụng API lập trình và giao diện người dùng; * Áp dụng các phương pháp hay nhất hiện đại để chạy theo dõi MLflow trong các công việc được đóng gói. Bạn sẽ bắt đầu với các khái niệm cơ bản về theo dõi thử nghiệm trước khi viết các tập lệnh Python sạch sẽ, có thể tái sử dụng để điều chỉnh đường ống huấn luyện của bạn. Các hướng dẫn từng bước bằng văn bản và các đoạn mã sẽ cho bạn thấy cách cấu trúc, chạy và xem xét các công việc máy học của bạn. Khóa học này được thiết kế cho các kỹ sư máy học, nhà khoa học dữ liệu và nhà phát triển mới bắt đầu muốn vượt ra ngoài việc ghi nhật ký thủ công. Không yêu cầu kinh nghiệm trước đó với MLflow, mặc dù kiến thức Python cơ bản là hữu ích. Bắt đầu xây dựng các đường ống máy học có thể tái tạo ngay hôm nay.