Gestión de Modelos MLflow en Azure Machine Learning

Cerrar la brecha entre el entrenamiento de modelos de machine learning y su gestión en producción puede ser un desafío sin un registro estructurado. Este curso basado en texto lo guiará a través del proceso de uso de MLflow dentro de Azure Machine Learning para registrar, registrar y gestionar los ciclos de vida de sus modelos de manera eficiente. Obtendrá una comprensión práctica de cómo transferir modelos desde ejecuciones de entrenamiento locales a activos gestionados en la nube. Lo que aprenderá: - Comprender los conceptos fundamentales del registro de modelos y el papel de MLflow en MLOps moderno. - Configurar espacios de trabajo de Azure Machine Learning para rastrear experimentos de MLflow. - Registrar modelos MLflow entrenados con control de versiones y metadatos personalizados. - Gestionar entornos y dependencias de modelos utilizando estándares de empaquetado reproducibles. - Preparar modelos registrados para su despliegue en puntos finales en la nube. Comenzará con definiciones centrales de los ciclos de vida de machine learning y terminología de seguimiento antes de pasar a explicaciones escritas paso a paso, fragmentos de código y ejemplos de configuración para el seguimiento y el despliegue. Este curso está diseñado para científicos de datos principiantes e ingenieros de machine learning que buscan organizar sus flujos de trabajo de modelos, requiriendo solo conocimiento básico de Python. Comience a organizar sus modelos de machine learning hoy mismo.