MLflow Eğitimi

Giriş

• Yazılım geliştirme en iyi uygulamalarını makine öğrenimine uyarlama.
• MLflow ve Kubeflow – MLflow nerede parlıyor?

Machine Learning Döngüsüne Genel Bakış

• Veri hazırlama, model eğitimi, model dağıtımı, model sunumu vb.

MLflow Özellikleri ve Mimarisinin Genel Bakışı

• MLflow İzleme, MLflow Projeleri ve MLflow Modelleri
• MLflow komut satırı arayüzünü (CLI) kullanma
• MLflow kullanıcı arayüzünde (UI) gezinme

MLflow Kurulumu

• Herkese açık bir bulutta kurulum
• Yerinde bir sunucuda kurulum

Geliştirme Ortamının Hazırlanması

• Jupyter not defterleri, Python IDE'ler ve bağımsız komut dosyalarıyla çalışma

Bir Proje Hazırlama

• Veriye bağlanma
• Tahmin modeli oluşturma
• Bir modeli eğitme

MLflow İzlemeyi Kullanma

• Kod sürümlerini, verileri ve yapılandırmaları kaydetme
• Çıktı dosyalarını ve metrikleri kaydetme
• Sonuçları sorgulama ve karşılaştırma

MLflow Projelerini Çalıştırma

• YAML sözdiziminin genel bakışı
• Git deposunun rolü
• Kodu yeniden kullanılabilirlik için paketleme
• Kodu paylaşma ve ekip üyeleriyle işbirliği yapma

MLflow Modelleri ile Modelleri Kaydetme ve Sunma

• Dağıtım için bir ortam seçme (bulut, bağımsız uygulama vb.)
• Makine öğrenimi modelini dağıtma
• Modeli sunma

MLflow Model Kaydını Kullanma

• Merkezi bir depo kurma
• Modelleri depolama, açıklama ekleme ve keşfetme
• Modelleri işbirliği içinde yönetme.

MLflow'yı Diğer Sistemlerle Entegre Etme

• MLflow Eklentileri ile çalışma
• Üçüncü taraf depolama sistemleri, kimlik doğrulama sağlayıcıları ve REST API'leri ile entegre etme
• Apache Spark ile çalışma – isteğe bağlı

Sorun Giderme

Özet ve Sonuç