Seminar MLflow

Einführung

• Anpassung der Best Practices der Softwareentwicklung an das maschinelle Lernen
• MLflow vs Kubeflow - wo glänzt MLflow?

Überblick über den Zyklus des maschinellen Lernens

• Datenvorbereitung, Modelltraining, Modellbereitstellung, Modellbereitstellung, etc

Überblick über MLflow-Funktionen und Architektur

• MLflow-Tracking, MLflow-Projekte und MLflow-Modelle
• Verwendung der MLflow-Befehlszeilenschnittstelle (CLI)
• Navigieren in der MLflow-Benutzeroberfläche

Einrichten von MLflow

• Installieren in einer öffentlichen Cloud
• Installieren in einem lokalen Server

Vorbereiten der Entwicklungsumgebung

• Arbeiten mit Jupyter-Notebooks, Python-IDEs und Standalone-Skripten

Vorbereiten eines Projekts

• Verbinden mit den Daten
• Erstellen eines Vorhersagemodells
• Trainieren eines Modells

MLflow-Verfolgung verwenden

• Protokollieren von Codeversionen, Daten und Konfigurationen
• Protokollierung von Ausgabedateien und Metriken
• Abfragen und Vergleichen von Ergebnissen

Ausführen von MLflow-Projekten

• Überblick über die YAML-Syntax
• Die Rolle des Git-Repositorys
• Verpacken von Code zur Wiederverwendbarkeit
• Code teilen und mit Teammitgliedern zusammenarbeiten

Verwendung der MLflow-Modellregistrierung

• Einrichten eines zentralen Repositorys
• Speichern, Annotieren und Erkennen von Modellen
• Modelle kollaborativ verwalten

Speichern und Bereitstellen von Modellen mit MLflow-Modellen

• Auswahl einer Umgebung für das Deployment (Cloud, eigenständige Anwendung, etc)
• Bereitstellen des maschinellen Lernmodells
• Bereitstellen des Modells

Wir schulen die jeweils letzte, verfügbare Version der Software in unseren Seminaren.