MLflow Počítačový Kurz

Úvod

• Přizpůsobení osvědčených postupů vývoje softwaru strojovému učení.
• MLflow vs Kubeflow -- kde svítí MLflow?

Přehled cyklu Machine Learning

• Příprava dat, školení modelu, nasazení modelu, obsluha modelu atd.

Přehled MLflow Funkce a architektura

• MLflow Sledování, MLflow Projekty a MLflow Modely
• Použití rozhraní příkazového řádku MLflow (CLI)
• Navigace v uživatelském rozhraní MLflow

Nastavení MLflow

• Instalace do veřejného cloudu
• Instalace na místní server

Příprava vývojového prostředí

• Práce s notebooky Jupyter, Python IDE a samostatnými skripty

Příprava projektu

• Připojování k datům
• Vytvoření predikčního modelu
• Školení modelky

Pomocí MLflow Sledování

• Protokolování verzí kódu, dat a konfigurací
• Protokolování výstupních souborů a metrik
• Dotazování a porovnávání výsledků

Běžící MLflow projekty

• Přehled syntaxe YAML
• Role úložiště Git
• Kód obalu pro opětovné použití
• Sdílení kódu a spolupráce se členy týmu

Ukládání a poskytování modelů pomocí MLflow modelů

• Výběr prostředí pro nasazení (cloud, samostatná aplikace atd.)
• Nasazení modelu strojového učení
• Obsluha modelu

Pomocí registru modelů MLflow

• Zřízení centrálního úložiště
• Ukládání, komentování a objevování modelů
• Společná správa modelů.

Integrace MLflow s jinými systémy

• Práce s MLflow pluginy
• Integrace s úložnými systémy třetích stran, poskytovateli ověřování a rozhraními REST API
• Pracovní Apache Spark -- volitelné

Odstraňování problémů

Shrnutí a závěr