Programa del Curso

Introducción

  • Adaptar las mejores prácticas de desarrollo de software al aprendizaje automático.
  • MLflow vs Kubeflow: ¿dónde brilla MLflow?

Visión general del ciclo Machine Learning

  • Preparación de datos, entrenamiento de modelos, implementación de modelos, servicio de modelos, etc.

Descripción general de MLflow Características y arquitectura

  • MLflow Seguimiento, MLflow Proyectos y MLflow Modelos
  • Uso de la interfaz de línea de comandos (CLI) MLflow
  • Navegar por la interfaz de usuario MLflow

Configuración MLflow

  • Instalación en una nube pública
  • Instalación en un servidor local

Preparación del entorno de desarrollo

  • Trabajar con cuadernos de Jupyter Notebook, Python IDE y scripts independientes

Preparación de un proyecto

  • Conexión a los datos
  • Creación de un modelo de predicción
  • Entrenamiento de un modelo

Uso del seguimiento MLflow

  • Registro de versiones, datos y configuraciones de código
  • Registro de archivos de salida y métricas
  • Consulta y comparación de resultados

Ejecución de MLflow proyectos

  • Información general sobre la sintaxis de YAML
  • El papel del repositorio Git
  • Código de embalaje para su reutilización
  • Compartir código y colaborar con los miembros del equipo

Guardar y servir modelos con MLflow modelos

  • Elección de un entorno para la implementación (nube, aplicación independiente, etc.)
  • Implementación del modelo de aprendizaje automático
  • Al servicio del modelo

Uso del MLflow Registro de modelos

  • Configuración de un repositorio central
  • Almacenamiento, anotación y descubrimiento de modelos
  • Gestión de modelos de forma colaborativa.

Integración MLflow con otros sistemas

  • Trabajar con MLflow Plugins
  • Integración con sistemas de almacenamiento de terceros, proveedores de autenticación y API REST
  • Funcionamiento de Apache Spark: opcional

Solución de problemas

Resumen y conclusión

Requerimientos

  • Python Experiencia en programación
  • Experiencia con frameworks y lenguajes de aprendizaje automático

Audiencia

  • Científicos de datos
  • Ingenieros de aprendizaje automático
  21 horas
 

Número de participantes


Comienza

Termina


Las fechas están sujetas a disponibilidad y tienen lugar entre 09:30 y 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Testimonios (1)

Cursos Relacionados

Categorías Relacionadas