Course Outline

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

Requirements

  • Python pengalaman pemrograman
  • Pengalaman dengan kerangka kerja dan bahasa pembelajaran mesin

Hadirin

  • Ilmuwan data
  • Insinyur pembelajaran mesin
 21 Hours

Number of participants


Price per participant

Testimonials (1)

Upcoming Courses (Minimal 5 peserta)

Related Categories