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.
Programa do Curso
Introdução
- Adaptar as melhores práticas de desenvolvimento de software à aprendizagem automática.
- MLflow vs Kubeflow -- onde é que MLflow brilha?
Resumo do ciclo Machine Learning
- Preparação de dados, formação de modelos, implantação de modelos, serviço de modelos, etc.
Visão geral das características e da arquitetura da MLflow
- MLflow Acompanhamento, MLflow Projectos e MLflow Modelos
- Utilizar a interface de linha de comandos (CLI) do MLflow
- Navegar na IU do MLflow
Configuração MLflow
- Instalar numa nuvem pública
- Instalando em um servidor local
Preparando o ambiente de desenvolvimento
- Trabalhar com notebooks Jupyter, Python IDEs e scripts autónomos
Preparar um projeto
- Ligação aos dados
- Criar um modelo de previsão
- Treinar um modelo
Utilizando MLflow Rastreio
- Registo de versões de código, dados e configurações
- Registo de ficheiros de saída e métricas
- Consulta e comparação de resultados
Execução MLflow Projectos
- Descrição geral da sintaxe YAML
- O papel do repositório Git
- Empacotar código para reutilização
- Partilhar código e colaborar com os membros da equipa
Guardar e servir modelos com MLflow modelos
- Escolher um ambiente para a implementação (nuvem, aplicação autónoma, etc.)
- Implementar o modelo de aprendizagem automática
- Servir o modelo
Utilização do modelo de registo MLflow
- Criação de um repositório central
- Armazenamento, anotação e descoberta de modelos
- Gerir modelos de forma colaborativa.
Integração de MLflow com outros sistemas
- Trabalhar com MLflow Plugins
- Integração com sistemas de armazenamento de terceiros, provedores de autenticação e APIs REST
- Trabalhar com o Apache Spark -- opcional
Resolução de problemas
Resumo e conclusão
Requisitos
- Python experiência em programação
- Experiência com estruturas e linguagens de aprendizagem automática
Público
- Cientistas de dados
- Engenheiros de aprendizagem automática
21 horas
Declaração de Clientes (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose