MLflow Schulung

Einführung

• Anpassung der bewährten Verfahren der Softwareentwicklung an das maschinelle Lernen.
• MLflow vs. Kubeflow - wo liegt der Vorteil von MLflow?

Überblick über den Machine Learning-Zyklus

• Datenvorbereitung, Modelltraining, Modellbereitstellung, Modellbereitstellung, usw.

Überblick über MLflow Funktionen und Architektur

• MLflow-Verfolgung, MLflow-Projekte und MLflow-Modelle
• Verwendung der MLflow Befehlszeilenschnittstelle (CLI)
• Navigieren in der MLflow-Benutzeroberfläche

Einrichten von MLflow

• Installieren in einer öffentlichen Cloud
• Installieren auf einem lokalen Server

Vorbereiten der Entwicklungsumgebung

• Arbeiten mit Jupyter-Notebooks, Python IDEs und Standalone-Skripten

Ein Projekt vorbereiten

• Herstellen einer Verbindung zu den Daten
• Erstellen eines Vorhersagemodells
• Trainieren eines Modells

Verwendung von MLflow Tracking

• Protokollierung von Codeversionen, Daten und Konfigurationen
• Protokollierung von Ausgabedateien und Metriken
• Abfragen und Vergleichen von Ergebnissen

Ausführen von MLflow-Projekten

• Überblick über die YAML-Syntax
• Die Rolle des Git-Repositorys
• Paketierung von Code zur Wiederverwendbarkeit
• Gemeinsame Nutzung von Code und Zusammenarbeit mit Teammitgliedern

Speichern und Bereitstellen von Modellen mit MLflow-Modellen

• Auswahl einer Umgebung für die Bereitstellung (Cloud, eigenständige Anwendung usw.)
• Bereitstellen des Modells für maschinelles Lernen
• Bereitstellen des Modells

Verwendung der MLflow-Modellregistrierung

• Einrichten eines zentralen Repositorys
• Speicherung, Kommentierung und Erkennung von Modellen
• Modelle kollaborativ verwalten.

Integration von MLflow mit anderen Systemen

• Arbeiten mit MLflow-Plugins
• Integration mit Speichersystemen, Authentifizierungsanbietern und REST APIs von Drittanbietern
• Arbeiten Apache Spark -- optional

Fehlersuche

Zusammenfassung und Schlussfolgerung