Thank you for sending your enquiry! One of our team member will contact you shortly.
Thank you for sending your booking! One of our team member will contact you shortly.
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
Testimonials (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose