Gestion des modèles MLflow dans Azure Machine Learning

Combler le fossé entre la formation de modèles d'apprentissage automatique et leur gestion en production peut être difficile sans un registre structuré. Ce cours textuel vous guide à travers le processus d'utilisation de MLflow dans Azure Machine Learning pour enregistrer, enregistrer et gérer efficacement vos cycles de vie de modèles. Vous acquerrez une compréhension pratique de la manière de faire passer les modèles de l'entraînement local à des actifs gérés dans le cloud. Ce que vous apprendrez : - Comprendre les concepts fondamentaux du registre de modèles et le rôle de MLflow dans le MLOps moderne. - Configurer les espaces de travail Azure Machine Learning pour suivre les expériences MLflow. - Enregistrer les modèles MLflow entraînés avec contrôle de version et métadonnées personnalisées. - Gérer les environnements et les dépendances des modèles à l'aide de normes d'empaquetage reproductibles. - Préparer les modèles enregistrés pour le déploiement sur des points de terminaison cloud. Vous commencerez par les définitions de base des cycles de vie d'apprentissage automatique et de la terminologie de suivi avant de passer à des explications écrites étape par étape, des extraits de code et des exemples de configuration pour le suivi et le déploiement. Ce cours est conçu pour les data scientists et les ingénieurs en apprentissage automatique débutants qui cherchent à organiser leurs flux de travail de modèles, ne nécessitant qu'une connaissance de base de Python. Commencez à organiser vos modèles d'apprentissage automatique dès aujourd'hui.