MLflow Training Course

Perkenalan

• Mengadaptasi praktik terbaik pengembangan perangkat lunak ke pembelajaran mesin.
• MLflow vs Kubeflow -- di manakah MLflow bersinar?

Ikhtisar Siklus Machine Learning.

• Persiapan data, pelatihan model, penerapan model, penyajian model, dll.

Ikhtisar MLflow Fitur dan Arsitektur

• MLflow Pelacakan, MLflow Proyek, dan MLflow Model
• Menggunakan MLflow antarmuka baris perintah (CLI)
• Menavigasi UI MLflow.

Menyiapkan MLflow

• Menginstal di cloud publik
• Menginstal di server lokal

Mempersiapkan Lingkungan Pembangunan

• Bekerja dengan notebook Jupyter, Python IDE dan skrip mandiri

Mempersiapkan Proyek

• Menghubungkan ke data
• Membuat model prediksi
• Melatih model

Menggunakan MLflow Pelacakan

• Mencatat versi kode, data, dan konfigurasi
• Mencatat file dan metrik keluaran
• Menanyakan dan membandingkan hasil

Menjalankan MLflow Proyek

• Ikhtisar sintaks YAML
• Peran repositori Git
• Kode kemasan untuk dapat digunakan kembali
• Berbagi kode dan berkolaborasi dengan anggota tim

Menyimpan dan Melayani Model dengan MLflow Model

• Memilih lingkungan untuk penerapan (cloud, aplikasi mandiri, dll.)
• Menerapkan model pembelajaran mesin
• Melayani model

Menggunakan MLflow Registri Model

• Menyiapkan repositori pusat
• Menyimpan, membuat anotasi, dan menemukan model
• Mengelola model secara kolaboratif.

Mengintegrasikan MLflow dengan Sistem lain

• Bekerja dengan MLflow Plugin
• Berintegrasi dengan sistem penyimpanan pihak ketiga, penyedia autentikasi, dan REST API
• Bekerja Apache Spark -- opsional

Penyelesaian masalah

Ringkasan dan Kesimpulan