Cursuri de pregatire MLflow

Introducere

• Aplicarea celor mai bune practici de dezvoltare software în învățarea automată.
• MLflow vs Kubeflow -- unde se remarcă MLflow?

Prezentare generală a ciclului de învățare automată

• Pregătirea datelor, antrenarea modelului, implementarea modelului, servirea modelului etc.

Prezentare generală a caracteristicilor și arhitecturii MLflow

• MLflow Tracking, MLflow Projects și MLflow Models
• Utilizarea interfeței de linie de comandă (CLI) MLflow
• Navigarea în interfața utilizator (UI) MLflow

Configurarea MLflow

• Instalarea într-un mediu cloud public
• Instalarea pe un server on-premise

Pregătirea mediului de dezvoltare

• Lucrul cu Jupyter notebooks, IDE-uri Python și scripturi independente

Pregătirea unui proiect

• Conectarea la date
• Crearea unui model de predicție
• Antrenarea unui model

Utilizarea MLflow Tracking

• Înregistrarea versiunilor de cod, a datelor și a configurațiilor
• Înregistrarea fișierelor de ieșire și a metricelor
• Interogarea și compararea rezultatelor

Rularea proiectelor MLflow

• Prezentare generală a sintaxei YAML
• Rolul depozitului Git
• Ambalarea codului pentru reutilizare
• Împărtășirea codului și colaborarea cu membrii echipei

Salvarea și servirea modelelor cu MLflow Models

• Alegerea unui mediu pentru implementare (cloud, aplicație standalone etc.)
• Implementarea modelului de învățare automată
• Servirea modelului

Utilizarea registrului de modele MLflow

• Configurarea unui depozit central
• Stocarea, adnotarea și descoperirea modelelor
• Gestionarea colaborativă a modelelor.

Integrarea MLflow cu alte sisteme

• Lucrul cu plugin-uri MLflow
• Integrarea cu sisteme de stocare terțe, furnizori de autentificare și API-uri REST
• Lucrul cu Apache Spark -- opțional

Depanare

Rezumat și concluzii