MLflow 교육 과정

소개

• 소프트웨어 개발 모범 사례를 기계 학습에 적용합니다.
• MLflow 대 Kubeflow -- MLflow은 어디에서 빛나나요?

Machine Learning 주기 개요

• 데이터 준비, 모델 훈련, 모델 배포, 모델 서빙 등

MLflow 기능 및 아키텍처 개요

• MLflow 추적, MLflow 프로젝트, MLflow 모델
• MLflow 명령줄 인터페이스(CLI) 사용
• MLflow UI 탐색

설정 MLflow

• 퍼블릭 클라우드에 설치
• 온프레미스 서버에 설치

개발 환경 준비

• Jupyter Notebook, Python IDE 및 독립 실행형 스크립트 작업

프로젝트 준비

• 데이터에 연결
• 예측 모델 만들기
• 모델 훈련

MLflow 추적 사용

• 코드 버전, 데이터, 구성 로깅
• 출력 파일 및 측정항목 로깅
• 결과 쿼리 및 비교

MLflow 프로젝트 실행 중

• YAML 구문 개요
• Git 저장소의 역할
• 재사용성을 위한 패키징 코드
• 코드 공유 및 팀원과의 협업

MLflow 모델을 사용하여 모델 저장 및 제공

• 배포 환경 선택(클라우드, 독립형 애플리케이션 등)
• 기계 학습 모델 배포
• 모델 제공

MLflow 모델 레지스트리 사용

• 중앙 저장소 설정
• 모델 저장, 주석 달기 및 검색
• 모델을 공동으로 관리합니다.

MLflow을 다른 시스템과 통합

• MLflow 플러그인 작업
• 타사 스토리지 시스템, 인증 공급자 및 REST API와 통합
• 작업 중 Apache Spark - 선택 사항

문제 해결

요약 및 결론