Plan du cours

Introduction

  • Adapter les meilleures pratiques de développement logiciel à l'apprentissage automatique.
  • MLflow vs Kubeflow - où se situe MLflow ?

Vue d'ensemble du cycle Machine Learning

  • Préparation des données, formation des modèles, déploiement des modèles, service des modèles, etc.

Aperçu des caractéristiques et de l'architecture de MLflow

  • MLflow Suivi, MLflow Projets et MLflow Modèles
  • Utiliser l'interface de ligne de commande MLflow (CLI)
  • Naviguer dans l'interface utilisateur MLflow

Mise en place MLflow

  • Installation dans un nuage public
  • Installation sur un serveur sur site

Préparation de l'environnement de développement

  • Travailler avec des blocs-notes Jupyter, Python des IDE et des scripts autonomes

Préparation d'un projet

  • Se connecter aux données
  • Création d'un modèle de prédiction
  • Entraînement d'un modèle

Utilisation de MLflow Suivi

  • Enregistrement des versions du code, des données et des configurations
  • Enregistrement des fichiers de sortie et des mesures
  • Interroger et comparer les résultats

Exécution MLflow Projets

  • Aperçu de la syntaxe YAML
  • Le rôle du dépôt Git
  • Emballage du code en vue de sa réutilisation
  • Partager le code et collaborer avec les membres de l'équipe

Sauvegarder et servir des modèles avec des modèles MLflow

  • Choix d'un environnement pour le déploiement (nuage, application autonome, etc.)
  • Déployer le modèle d'apprentissage automatique
  • Servir le modèle

Utilisation du modèle de registre MLflow

  • Mise en place d'un référentiel central
  • Stocker, annoter et découvrir des modèles
  • Gérer les modèles en collaboration.

Intégrer MLflow à d'autres systèmes

  • Travailler avec des MLflow plugins
  • Intégrer des systèmes de stockage tiers, des fournisseurs d'authentification et des API REST
  • Travailler avec Apache Spark -- optionnel

Dépannage

Résumé et conclusion

Pré requis

  • Python expérience en programmation
  • Expérience avec les cadres et langages d'apprentissage automatique

Audience

  • Data scientists
  • Ingénieurs en apprentissage machine
  21 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (1)

Cours Similaires

Catégories Similaires