Formation MLflow

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, entraînement des modèles, déploiement des modèles, service des modèles, etc.

Aperçu des fonctionnalités et de l'architecture de MLflow

• Suivi MLflow, projets MLflow et modèles MLflow
• Utilisation de l'interface de ligne de commande MLflow (CLI)
• Naviguer dans l'interface utilisateur MLflow

Mise en place de MLflow

• Installation dans un nuage public
• Installation sur un serveur sur site

Préparer l'environnement de développement

• Travailler avec des carnets Jupyter, des Python 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 Tracking

• Enregistrement des versions du code, des données et des configurations
• Enregistrement des fichiers de sortie et des métriques
• Interrogation et comparaison des résultats

Exécution de projets MLflow

• 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 MLflow Models

• Choix d'un environnement pour le déploiement (cloud, application autonome, etc.)
• Déployer le modèle d'apprentissage automatique
• Servir le modèle

Utiliser le registre de modèles MLflow

• Mise en place d'un référentiel central
• Stockage, annotation et découverte de modèles
• Gérer les modèles en collaboration.

Intégrer MLflow à d'autres systèmes

• Travailler avec les plugins MLflow
• Intégrer des systèmes de stockage tiers, des fournisseurs d'authentification et des API REST
• Travailler Apache Spark -- optionnel

Résolution des problèmes

Résumé et conclusion