مقدمه‌ای بر MLflow

مدیریت چرخه عمر پایان‌به-پایان یک اپلیکیشن یادگیری ماشین می‌تواند وظیفه‌ای دلهره‌آور برای دانشمندان داده، مهندسان و توسعه‌دهندگان باشد. اپلیکیشن‌های یادگیری ماشین پیچیده هستند و سابقه‌ای اثبات‌شده در دشواری ردیابی، سخت بودن بازتولید و مشکل‌ساز بودن در استقرار دارند.

در این دوره، خواهید آموخت که MLflow چیست و چگونه تلاش می‌کند دشواری‌های چرخه عمر یادگیری ماشین مانند ردیابی، تکرارپذیری و استقرار را ساده کند. پس از یادگیری MLflow، درک بهتری از چگونگی غلبه بر پیچیدگی‌های ساخت اپلیکیشن‌های یادگیری ماشین و چگونگی ناوبری در مراحل مختلف چرخه عمر یادگیری ماشین خواهید داشت.

در طول این دوره، عمیقاً به بررسی چهار مؤلفه اصلی تشکیل‌دهنده پلتفرم MLflow خواهید پرداخت. شما چگونگی ردیابی مدل‌ها، معیارها و پارامترها با MLflow Tracking، بسته‌بندی کد یادگیری ماشین تکرارپذیر با استفاده از MLflow Projects، ایجاد و استقرار مدل‌ها با استفاده از MLflow Models و ذخیره و کنترل نسخه مدل‌ها با استفاده از Model Registry را بررسی خواهید کرد.

با پیشرفت در دوره، همچنین بهترین شیوه های استفاده از MLflow برای نسخه‌بندی مدل‌ها، چگونگی ارزیابی مدل‌ها، افزودن سفارشی‌سازی‌ها به مدل‌ها و چگونگی ایجاد خودکارسازی در اجراهای آموزشی را خواهید آموخت. این دوره شما را برای موفقیت در مدیریت چرخه عمر اپلیکیشن یادگیری ماشین بعدی‌تان آماده می‌کند.