Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción
- Adaptación de las mejores prácticas de desarrollo de software al aprendizaje automático.
- MLflow vs Kubeflow -- ¿Dónde brilla MLflow?
Resumen del ciclo Machine Learning
- Preparación de datos, entrenamiento de modelos, implementación de modelos, servicio de modelos, etcétera.
Descripción general de MLflow Características y arquitectura
- MLflow Seguimiento, MLflow Proyectos y MLflow Modelos
- Uso de la interfaz de línea de comandos (CLI) MLflow
- Navegación por la interfaz de usuario MLflow
Configuración MLflow
- Instalación en una nube pública
- Instalación en un servidor local
Preparación del entorno de desarrollo
- Trabajar con cuadernos de Jupyter, Python IDE y scripts independientes
Preparación de un proyecto
- Conexión a los datos
- Creación de un modelo de predicción
- Entrenamiento de un modelo
Uso del seguimiento MLflow
- Registro de versiones, datos y configuraciones de código
- Registro de archivos de salida y métricas
- Consulta y comparación de resultados
Ejecución de MLflow proyectos
- Información general sobre la sintaxis de YAML
- El papel del repositorio Git
- Código de embalaje para la reutilización
- Compartir código y colaborar con los miembros del equipo
Guardar y servir modelos con MLflow modelos
- Elegir un entorno para la implementación (nube, aplicación independiente, etcétera).
- Implementación del modelo de aprendizaje automático
- Al servicio del modelo
Uso del MLflow Registro de modelos
- Configuración de un repositorio central
- Almacenar, anotar y descubrir modelos
- Gestión de modelos de forma colaborativa.
Integración MLflow con otros sistemas
- Trabajar con MLflow Plugins
- Integración con sistemas de almacenamiento de terceros, proveedores de autenticación y API REST
- Funcionamiento Apache Spark -- opcional
Solución de problemas
Resumen y conclusión
Requerimientos
- Python Experiencia en programación
- Experiencia con frameworks y lenguajes de aprendizaje automático
Audiencia
- Científicos de datos
- Ingenieros de aprendizaje automático
21 Horas
Testimonios (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose