MLflow Treningskurs

Introduksjon

• Tilpasning av beste praksis for programvareutvikling til maskinlæring.
• MLflow vs Kubeflow -- hvor skinner MLflow?

Oversikt over syklusen Machine Learning

• Dataforberedelse, modelltrening, modelldistribusjon, modellservering, etc.

Oversikt over MLflow Funksjoner og arkitektur

• MLflow Sporing, MLflow Prosjekter og MLflow Modeller
• Bruke MLflow kommandolinjegrensesnitt (CLI)
• Navigere i MLflow UI

Oppsett MLflow

• Installasjon i en offentlig sky
• Installere på en lokal server

Forberede utviklingsmiljøet

• Arbeid med Jupyter-notatbøker, Python IDE-er og frittstående skript

Forberede et prosjekt

• Kobler til dataene
• Lage en prediksjonsmodell
• Trene en modell

Bruke MLflow Sporing

• Logge kodeversjoner, data og konfigurasjoner
• Logging av utdatafiler og beregninger
• Spørre og sammenligne resultater

Kjører MLflow prosjekter

• Oversikt over YAML-syntaks
• Rollen til Git-depotet
• Emballasjekode for gjenbruk
• Dele kode og samarbeide med teammedlemmer

Lagre og servere modeller med MLflow modeller

• Velge et miljø for distribusjon (sky, frittstående applikasjon, etc.)
• Implementering av maskinlæringsmodellen
• Servering av modellen

Bruke MLflow modellregisteret

• Sette opp et sentralt depot
• Lagre, kommentere og oppdage modeller
• Administrere modeller i samarbeid.

Integrering MLflow med andre systemer

• Arbeide med MLflow Plugins
• Integrering med tredjeparts lagringssystemer, autentiseringsleverandører og REST APIer
• Arbeider Apache Spark -- valgfritt

Feilsøking

Oppsummering og konklusjon