Visão Geral

Curso MLflow Introduction, Gerenciar o ciclo de vida de ponta a ponta de um aplicativo de aprendizado de máquina pode ser uma tarefa assustadora para cientistas de dados, engenheiros e desenvolvedores. Os aplicativos de Machine Learning são complexos e têm um histórico comprovado de serem difíceis de rastrear, difíceis de reproduzir e problemáticos de implantar. Neste curso, você aprenderá o que é MLflow e como ele tenta simplificar as dificuldades do ciclo de vida do Machine Learning, como rastreamento, reprodutibilidade e implantação. Depois de aprender o MLflow, você entenderá melhor como superar as complexidades da criação de aplicativos de aprendizado de máquina e como navegar em diferentes estágios do ciclo de vida do aprendizado de máquina. Ao longo do curso, você mergulhará profundamente nos quatro principais componentes que compõem a plataforma MLflow. Você explorará como rastrear modelos, métricas, e parâmetros com MLflow Tracking, empacotar código ML reproduzível usando MLflow Projects, criar e implantar modelos usando MLflow Models e armazenar e modelos de controle de versão usando Model Registry. À medida que avança no curso, você também aprenderá as práticas recomendadas de uso do MLflow para versões de modelos, como avaliar modelos, adicionar personalizações a modelos e como criar automação em execuções de treinamento. Este curso irá prepará-lo para o sucesso no gerenciamento do ciclo de vida de seu próximo aplicativo de aprendizado de máquina. e como criar automação em execuções de treinamento. Este curso irá prepará-lo para o sucesso no gerenciamento do ciclo de vida de seu próximo aplicativo de aprendizado de máquina. e como criar automação em execuções de treinamento. Este curso irá prepará-lo para o sucesso no gerenciamento do ciclo de vida de seu próximo aplicativo de aprendizado de máquina.

Materiais

Conteúdo Programatico

Introdução ao MLflowIntroduction to MLflow

Neste capítulo, você será apresentado ao MLflow e como ele visa auxiliar em algumas dificuldades do ciclo de vida do Machine Learning. Você será apresentado aos quatro conceitos principais que compõem o MLflow com foco principal no MLflow Tracking. Você aprenderá a criar experimentos e execuções, bem como rastrear métricas, parâmetros e artefatos. Por fim, você pesquisará o MLflow programaticamente para encontrar execuções de experimentos que atendam a determinados critérios.

1. O que é MLflow?
2. Componentes do MLflow
3. experimentos MLflow
4. Rastreamento de MLflow
5. Iniciando uma corrida
6. Registrando uma corrida
7. Como recuperar dados de corrida ativos?
8. Consultas executadas
9. A pesquisa executa opções de consulta
10. Pesquisando execuções

Modelos MLflowMLflow Models

Neste capítulo, você será apresentado aos modelos MLflow. O componente MLflow Models do MLflow desempenha um papel essencial nas etapas de avaliação e engenharia de modelo do ciclo de vida do aprendizado de máquina. Você aprenderá como o MLflow Models padroniza o empacotamento de modelos de ML, bem como como salvá-los, registrá-los e carregá-los. Você aprenderá como criar modelos MLflow personalizados para fornecer mais flexibilidade aos seus casos de uso, bem como avaliar o desempenho do modelo. Você utilizará o poderoso conceito de “Flavors” e, finalmente, usará a ferramenta de linha de comando MLflow para implantação de modelo.

1. Introdução aos modelos MLflow
2. Empacote um modelo de aprendizado de máquina
3. Formato de armazenamento
4. O que há em um arquivo MLmodel?
5. API do modelo
6. Salvando e carregando um modelo
7. Registrando e carregando um modelo
8. modelos personalizados
9. Criando uma classe Python personalizada
10. Modelo scikit-learn personalizado
11. Sabor e avaliação do Scikit-learn
12. Serviço de modelo
13. Servindo um modelo
14. Pontuação de um modelo servido

Registro do Modelo MlflowMlflow Model Registry

Este capítulo apresenta o conceito de MLflow chamado de Registro de modelo. Você será apresentado a como o Model Registry é usado para gerenciar o ciclo de vida dos modelos de ML. Você aprenderá como criar e pesquisar modelos no Registro de modelos. Em seguida, você aprenderá como registrar modelos no Model Registry e como fazer a transição de modelos entre estágios predefinidos. Por fim, você também aprenderá como implantar modelos do Registro de modelos.

1. Introdução ao registro de modelo MLflowIntroduction to MLflow Model Registry
2. Criar um modeloCreate a Model
3. Procurando ModelosSearching Models
4. Cadastrando ModelosRegistering Models
5. Registrando modelos existentesRegistering existing models
6. Registrando novos modelosRegistering new models
7. Etapas do modeloModel stages
8. Etapas do modelo no registro de modeloModel stages in Model Registry
9. Transição de estágios do modeloTransitioning model stages
10. Implantação do modeloModel deployment
11. Modelos de serviço do Registro de modeloServing models from the Model Registry
12. Carregando modelos do Registro de modelosLoading models from the Model Registry

Projetos MLflow

Neste capítulo, você obterá conhecimento valioso sobre como simplificar seu código de ciência de dados para reutilização e reprodutibilidade usando MLflow Projects. O capítulo começa apresentando o conceito de Projetos MLflow e orientando você na criação de um arquivo MLproject. A partir daí, você aprenderá como executar projetos MLflow por meio da linha de comando e do módulo Projetos MLflow, além de descobrir o poder de usar parâmetros para maior flexibilidade em seu código. Por fim, você aprenderá como gerenciar as etapas do ciclo de vida do aprendizado de máquina criando um fluxo de trabalho de várias etapas usando MLflow Projects.

1. Introdução aos projetos MLflowIntroduction to MLflow Projects
2. Layout do arquivo MLprojectMLproject file layout
3. Criando um projeto de MLCreating an MLproject
4. Executando projetos MLflowRunning MLflow Projects
5. Comando de execução do MLflowMLflow run command
6. Módulo de projetos MLflowMLflow projects module
7. Especificando parâmetrosSpecifying parameters
8. Adicionando parâmetros ao MLprojectAdding parameters to MLproject
9. Adicionando parâmetros à execução do projeto
10. fluxos de trabalho
11. Criando um projeto de ML para o ciclo de vida de ML: engenharia de modelo
12. Criando um projeto de ML para o ciclo de vida de ML: avaliação de modelo
13. Criando um fluxo de trabalho de várias etapas: Engenharia de modelos
14. Criando um fluxo de trabalho de várias etapas: avaliação de modelo
15. Embrulhar