Curso de MLflow

Introdução

• Adaptar as melhores práticas de desenvolvimento de software à aprendizagem automática.
• MLflow vs Kubeflow -- onde é que MLflow brilha?

Visão geral do ciclo de Machine Learning

• Preparação de dados, formação de modelos, implementação de modelos, fornecimento de modelos, etc.

Visão geral das características e da arquitetura de MLflow

• Seguimento de MLflow, MLflow Projectos e MLflow Modelos
• Utilizar a interface de linha de comandos (CLI) do [3)
• Navegar na IU do MLflow

Configurar MLflow

• Instalar numa nuvem pública
• Instalando em um servidor local

Preparando o ambiente de desenvolvimento

• Trabalhando com notebooks Jupyter, Python IDEs e scripts autônomos

Preparar um projeto

• Conectando-se aos dados
• Criando um modelo de previsão
• Treinar um modelo

Usar o MLflow Tracking

• Registo de versões de código, dados e configurações
• Registo de ficheiros de saída e métricas
• Consulta e comparação de resultados

Executar projectos MLflow

• Visão geral da sintaxe YAML
• O papel do repositório Git
• Empacotamento de código para reutilização
• Partilhar código e colaborar com membros da equipa

Salvando e servindo modelos com MLflow Modelos

• Escolher um ambiente para implantação (nuvem, aplicação autónoma, etc.)
• Implementar o modelo de aprendizagem automática
• Servir o modelo

Utilizar o Registo de Modelos MLflow

• Configurar um repositório central
• Armazenamento, anotação e descoberta de modelos
• Gerir modelos de forma colaborativa.

Integração do MLflow com outros sistemas

• Trabalhar com MLflow Plugins
• Integração com sistemas de armazenamento de terceiros, fornecedores de autenticação e APIs REST
• Trabalhar Apache Spark -- opcional

Resolução de problemas

Resumo e conclusão