MLflow in Azure Machine Learning: Eseguire Script e Tracciare Modelli

Il passaggio da esperimenti di machine learning locali a training scalabile nel cloud può sembrare scoraggiante senza gli strumenti di tracciamento giusti. La gestione di metriche, parametri e artefatti del modello in un ambiente collaborativo richiede un approccio strutturato alla registrazione degli esperimenti. Questo corso basato su testo ti guida attraverso i concetti fondamentali di MLflow e Azure Machine Learning, mostrandoti come eseguire senza problemi script di training nel cloud e tracciare le prestazioni del tuo modello nel tempo. Cosa imparerai: Comprendere i concetti fondamentali di MLOps, le strutture degli workspace e l'integrazione di MLflow; Configurare e inviare script di training Python come job di comando in Azure Machine Learning; Tracciare sistematicamente parametri di training, metriche personalizzate e log di output; Applicare l'autologging di MLflow per acquisire automaticamente le metriche del modello con un codice minimo; Registrare e gestire le versioni del modello nel registro cloud centralizzato; Analizzare le cronologie delle esecuzioni e confrontare le prestazioni tra diverse iterazioni di training. Inizierai esplorando le definizioni fondamentali e le procedure di configurazione, per poi passare alla scrittura del codice di tracciamento e alla gestione delle esecuzioni nel cloud. Ogni concetto è rafforzato da chiare spiegazioni scritte e frammenti di codice strutturati. Questo corso è progettato per data scientist, appassionati di machine learning e sviluppatori che sono nuovi a MLOps basato su cloud, senza alcuna esperienza precedente in Azure Machine Learning o MLflow richiesta. Inizia oggi stesso a organizzare i tuoi esperimenti di machine learning nel cloud.