Schulungsübersicht

Einführung

  • Anpassung der bewährten Praktiken der Softwareentwicklung an das maschinelle Lernen.
  • MLflow vs. Kubeflow - wo glänzt MLflow?

Überblick über den Machine Learning-Zyklus

  • Datenaufbereitung, Modellschulung, Modellimplementierung, 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 MLflow

  • Installation in einer öffentlichen Cloud
  • Installation auf einem Vor-Ort-Server

Vorbereiten der Entwicklungsumgebung

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

Ein Projekt vorbereiten

  • Verknüpfung mit den Daten
  • Erstellen eines Vorhersagemodells
  • Trainieren eines Modells

Mit MLflow Tracking

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

Laufende MLflow Projekte

  • 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.)
  • Einsatz des maschinellen Lernmodells
  • Bereitstellen des Modells

Verwendung des MLflow Modellregisters

  • Einrichten eines zentralen Repository
  • Speichern, Kommentieren und Auffinden 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 mit Apache Spark - optional

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Python Programmiererfahrung
  • Erfahrung mit Frameworks und Sprachen für maschinelles Lernen

Publikum

  • Datenwissenschaftler
  • Ingenieure für maschinelles Lernen
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer

Erfahrungsberichte (1)

Verwandte Kategorien