Course Outline

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

Requirements

  • Python 프로그래밍 경험
  • 머신러닝 프레임워크 및 언어 경험

청중

  • 데이터 과학자
  • 머신러닝 엔지니어
  21 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 10:00 and 17:00.
Open Training Courses require 5+ participants.

회원 평가 (1)

Related Courses

Related Categories