Gestione dei modelli MLflow in Azure Machine Learning

Colmare il divario tra l'addestramento dei modelli di machine learning e la loro gestione in produzione può essere difficile senza un registro strutturato. Questo corso basato su testo ti guida attraverso il processo di utilizzo di MLflow all'interno di Azure Machine Learning per registrare, archiviare e gestire in modo efficiente i cicli di vita dei tuoi modelli. Acquisirai una comprensione pratica di come passare i modelli da esecuzioni di addestramento locali a risorse gestite nel cloud. Cosa imparerai: - Comprendere i concetti fondamentali del registro modelli e il ruolo di MLflow nel moderno MLOps. - Configurare gli spazi di lavoro di Azure Machine Learning per tracciare gli esperimenti MLflow. - Registrare modelli MLflow addestrati con controllo di versione e metadati personalizzati. - Gestire gli ambienti e le dipendenze dei modelli utilizzando standard di packaging riproducibili. - Preparare i modelli registrati per la distribuzione a endpoint cloud. Inizierai con le definizioni fondamentali dei cicli di vita del machine learning e della terminologia di tracciamento prima di passare a spiegazioni scritte passo-passo, frammenti di codice ed esempi di configurazione per il tracciamento e la distribuzione. Questo corso è progettato per data scientist e ingegneri del machine learning principianti che desiderano organizzare i loro flussi di lavoro dei modelli, richiedendo solo una conoscenza di base di Python. Inizia oggi stesso a organizzare i tuoi modelli di machine learning.