MLflow Training Course

Giới thiệu

• Thích ứng các phương pháp thực hành phát triển phần mềm tốt nhất cho học máy.
• MLflow so với Kubeflow – MLflow tỏa sáng ở đâu?

Tổng quan về Vòng đời Machine Learning

• Chuẩn bị dữ liệu, huấn luyện mô hình, triển khai mô hình, phục vụ mô hình, v.v.

Tổng quan về Tính năng và Kiến trúc MLflow

• MLflow Tracking, MLflow Projects và MLflow Models
• Sử dụng giao diện dòng lệnh (CLI) của MLflow
• Điều hướng giao diện người dùng (UI) của MLflow

Thiết lập MLflow

• Cài đặt trên đám mây công cộng
• Cài đặt trên máy chủ tại chỗ

Chuẩn bị Môi trường Phát triển

• Làm việc với Jupyter notebooks, Python IDEs và các script độc lập

Chuẩn bị một Dự án

• Kết nối với dữ liệu
• Tạo một mô hình dự đoán
• Huấn luyện một mô hình

Sử dụng MLflow Tracking

• Ghi lại các phiên bản mã, dữ liệu và cấu hình
• Ghi lại các tệp đầu ra và số liệu
• Truy vấn và so sánh kết quả

Chạy MLflow Projects

• Tổng quan về cú pháp YAML
• Vai trò của kho lưu trữ Git
• Đóng gói mã để tái sử dụng
• Chia sẻ mã và cộng tác với các thành viên trong nhóm

Lưu và Phục vụ Mô hình với MLflow Models

• Chọn một môi trường để triển khai (đám mây, ứng dụng độc lập, v.v.)
• Triển khai mô hình học máy
• Phục vụ mô hình

Sử dụng Registry Mô hình MLflow

• Thiết lập một kho lưu trữ trung tâm
• Lưu trữ, chú thích và khám phá các mô hình
• Quản lý các mô hình một cách cộng tác.

Tích hợp MLflow với các Hệ thống khác

• Làm việc với Plugins MLflow
• Tích hợp với các hệ thống lưu trữ của bên thứ ba, nhà cung cấp xác thực và REST APIs
• Làm việc Apache Spark – tùy chọn

Khắc phục sự cố

Tóm tắt và Kết luận