Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
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
Erfahrungsberichte (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose