MLflow 培训

介绍

• 将软件开发最佳实践应用于机器学习。
• MLflow 与 Kubeflow -- MLflow 在哪里闪耀？

Machine Learning 周期概述

• 数据准备、模型训练、模型部署、模型服务等

MLflow 特性和体系结构概述

• MLflow 跟踪、MLflow 项目和 MLflow 模型
• 使用 MLflow 命令行界面 （CLI）
• 导航 MLflow UI

设置 MLflow

• 在公有云中安装
• 在本地服务器中安装

准备开发环境

• 使用 Jupyter 笔记本、Python IDE 和独立脚本

准备项目

• 连接到数据
• 创建预测模型
• 训练模型

使用 MLflow 跟踪

• 记录代码版本、数据和配置
• 记录输出文件和指标
• 查询和比较结果

运行 MLflow 项目

• YAML 语法概述
• Git 仓库的角色
• 包装代码，确保可重用性
• 共享代码并与团队成员协作

使用 MLflow 个模型保存和提供模型

• 选择部署环境（云、独立应用程序等）
• 部署机器学习模型
• 为模型提供服务

使用 MLflow 模型注册表

• 设置中央存储库
• 存储、注释和发现模型
• 协作管理模型。

将 MLflow 与其他系统集成

• 使用 MLflow 插件
• 与第三方存储系统、身份验证提供商和 REST API 集成
• 工作 Apache Spark -- 可选

故障 排除

总结和结论