MLflow - Plan Szkolenia

Wprowadzenie

• Dostosowanie najlepszych praktyk tworzenia oprogramowania do uczenia maszynowego.
• MLflow vs Kubeflow - gdzie MLflow błyszczy?

Przegląd cyklu Machine Learning

• Przygotowanie danych, szkolenie modeli, wdrażanie modeli, obsługa modeli itp.

Przegląd funkcji i architektury MLflow

• Śledzenie MLflow, projekty MLflow i modele MLflow
• Korzystanie z MLflow interfejsu wiersza poleceń (CLI)
• Poruszanie się po interfejsie użytkownika MLflow

Konfiguracja MLflow

• Instalacja w chmurze publicznej
• Instalacja na serwerze lokalnym

Przygotowanie środowiska programistycznego

• Praca z notatnikami Jupyter, Python IDE i samodzielnymi skryptami

Przygotowanie projektu

• Łączenie się z danymi
• Tworzenie modelu predykcyjnego
• Trenowanie modelu

Korzystanie z MLflow śledzenia

• Rejestrowanie wersji kodu, danych i konfiguracji
• Rejestrowanie plików wyjściowych i metryk
• Wysyłanie zapytań i porównywanie wyników

Uruchamianie projektów MLflow

• Przegląd składni języka YAML
• Rola repozytorium Git
• Pakowanie kodu w celu ponownego użycia
• Udostępnianie kodu i współpraca z członkami zespołu

Zapisywanie i serwowanie modeli za pomocą MLflow Models

• Wybór środowiska do wdrożenia (chmura, samodzielna aplikacja itp.)
• Wdrażanie modelu uczenia maszynowego
• Serwowanie modelu

Korzystanie z MLflow Model Registry

• Konfigurowanie centralnego repozytorium
• Przechowywanie, dodawanie adnotacji i odkrywanie modeli
• Wspólne zarządzanie modelami.

Integracja MLflow z innymi systemami

• Praca z wtyczkami MLflow
• Integracja z systemami pamięci masowej innych firm, dostawcami uwierzytelniania i interfejsami API REST
• Praca Apache Spark -- opcjonalnie

Rozwiązywanie problemów

Podsumowanie i wnioski