MLflow - Plan Szkolenia

Wprowadzenie

• Dostosowanie najlepszych praktyk rozwoju oprogramowania do uczenia maszynowego.
• MLflow vs Kubeflow -- gdzie MLflow ma przewagę?

Przegląd cyklu uczenia maszynowego

• Przygotowanie danych, trenowanie modelu, wdrażanie modelu, serwowanie modelu itp.

Przegląd funkcji i architektury MLflow

• MLflow Tracking, MLflow Projects i MLflow Models
• Korzystanie z interfejsu wiersza poleceń (CLI) MLflow
• Nawigacja po interfejsie użytkownika MLflow

Konfiguracja MLflow

• Instalacja w chmurze publicznej
• Instalacja na serwerze lokalnym

Przygotowanie środowiska deweloperskiego

• Praca z Jupyter notebooks, Python IDEs i samodzielnymi skryptami

Przygotowanie projektu

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

Korzystanie z MLflow Tracking

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

Uruchamianie projektów MLflow

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

Zapisywanie i serwowanie modeli z MLflow Models

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

Korzystanie z rejestru modeli MLflow

• Konfiguracja centralnego repozytorium
• Przechowywanie, opisywanie i odkrywanie modeli
• Współzarządzanie modelami.

Integracja MLflow z innymi systemami

• Praca z wtyczkami MLflow
• Integracja z systemami przechowywania danych, dostawcami uwierzytelniania i interfejsami REST API
• Praca z Apache Spark -- opcjonalnie

Rozwiązywanie problemów

Podsumowanie i zakończenie