Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Introduction
- Adapter les meilleures pratiques de développement logiciel à l'apprentissage automatique.
- MLflow vs Kubeflow - où se situe MLflow ?
Vue d'ensemble du cycle Machine Learning
- Préparation des données, formation des modèles, déploiement des modèles, service des modèles, etc.
Aperçu des caractéristiques et de l'architecture de MLflow
- MLflow Suivi, MLflow Projets et MLflow Modèles
- Utiliser l'interface de ligne de commande MLflow (CLI)
- Naviguer dans l'interface utilisateur MLflow
Mise en place MLflow
- Installation dans un nuage public
- Installation sur un serveur sur site
Préparation de l'environnement de développement
- Travailler avec des blocs-notes Jupyter, Python des IDE et des scripts autonomes
Préparation d'un projet
- Se connecter aux données
- Création d'un modèle de prédiction
- Entraînement d'un modèle
Utilisation de MLflow Suivi
- Enregistrement des versions du code, des données et des configurations
- Enregistrement des fichiers de sortie et des mesures
- Interroger et comparer les résultats
Exécution MLflow Projets
- Aperçu de la syntaxe YAML
- Le rôle du dépôt Git
- Emballage du code en vue de sa réutilisation
- Partager le code et collaborer avec les membres de l'équipe
Sauvegarder et servir des modèles avec des modèles MLflow
- Choix d'un environnement pour le déploiement (nuage, application autonome, etc.)
- Déployer le modèle d'apprentissage automatique
- Servir le modèle
Utilisation du modèle de registre MLflow
- Mise en place d'un référentiel central
- Stocker, annoter et découvrir des modèles
- Gérer les modèles en collaboration.
Intégrer MLflow à d'autres systèmes
- Travailler avec des MLflow plugins
- Intégrer des systèmes de stockage tiers, des fournisseurs d'authentification et des API REST
- Travailler avec Apache Spark -- optionnel
Dépannage
Résumé et conclusion
Pré requis
- Python expérience en programmation
- Expérience avec les cadres et langages d'apprentissage automatique
Audience
- Data scientists
- Ingénieurs en apprentissage machine
21 heures
Nos Clients témoignent (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
