Kursplan

Introduksjon

    Tilpasning av beste praksis for programvareutvikling til maskinlæring. MLflow vs Kubeflow -- hvor skinner MLflow?

Oversikt over syklusen Machine Learning

    Dataforberedelse, modelltrening, modelldistribusjon, modellservering, etc.

Oversikt over MLflow funksjoner og arkitektur

    MLflow Sporing, MLflow Prosjekter og MLflow Modeller Bruke MLflow kommandolinjegrensesnittet (CLI) Navigere i MLflow UI

Oppsett MLflow

    Installere i en offentlig sky Installere i en lokal server

Forberede utviklingsmiljøet

    Arbeide med Jupyter-notatbøker, Python IDE-er og frittstående skript

Forberede et prosjekt

    Koble til dataene Opprette en prediksjonsmodell Trene en modell

Bruke MLflow Sporing

    Logge kodeversjoner, data og konfigurasjoner Logge utdatafiler og beregninger Spørre og sammenligne resultater

Kjører MLflow prosjekter

    Oversikt over YAML-syntaks Rollen til Git-depotet Pakkekode for gjenbruk Dele kode og samarbeide med teammedlemmer

Lagre og servere modeller med MLflow modeller

    Velge et miljø for distribusjon (sky, frittstående applikasjon, osv.) Implementering av maskinlæringsmodellen Servering av modellen

Bruke MLflow modellregisteret

    Sette opp et sentralt depot Lagre, kommentere og oppdage modeller Administrere modeller i samarbeid.

Integrering MLflow med andre systemer

    Arbeide med MLflow plugins Integrering med tredjeparts lagringssystemer, autentiseringsleverandører og REST APIer Working Apache Spark – valgfritt

Feilsøking

Oppsummering og konklusjon

Krav

  • Python programmeringserfaring
  • Erfaring med maskinlæringsrammer og språk

Publikum

  • Dataforskere
  • Maskinlæringsingeniører
  21 timer
 

Antall deltakere


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (1)

Relaterte kurs

Related Categories