Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera dans les plus brefs délais.
Merci pour votre réservation ! Un membre de notre équipe vous contactera dans les plus brefs délais.
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
Nos Clients témoignent (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose