Monitoraggio dell'addestramento dei modelli in Jupyter Notebooks con MLflow

Quando si sperimentano modelli di machine learning, tenere traccia di diversi iperparametri, esecuzioni di addestramento e metriche di valutazione può diventare rapidamente caotico. Questo corso solo testuale ti guida nell'organizzazione del tuo flusso di lavoro di machine learning integrando il tracciamento MLflow direttamente nei tuoi Jupyter Notebooks. Leggendo spiegazioni strutturate e praticando con esempi di codice scritti, trasformerai i tuoi script sperimentali non strutturati in una pipeline di machine learning riproducibile e organizzata. Acquisirai la fiducia necessaria per confrontare le esecuzioni, gestire gli artefatti del modello e passare dagli esperimenti locali a registri di modelli strutturati. Cosa imparerai: Comprendere i concetti fondamentali di MLOps, la terminologia chiave e l'architettura di MLflow; Configurare gli ambienti di tracciamento MLflow e inizializzare le esecuzioni all'interno dei Jupyter Notebooks; Registrare parametri, metriche personalizzate e tag sistematicamente durante l'addestramento del modello; Applicare le funzionalità di autologging per le librerie di machine learning più diffuse per semplificare il tuo codice; Gestire e versionare i modelli addestrati utilizzando il MLflow Model Registry; Confrontare le esecuzioni di addestramento per identificare le configurazioni del modello con le migliori prestazioni. Inizierai imparando i concetti fondamentali del ciclo di vita del machine learning e configurando il tuo ambiente di tracciamento. Da lì, il testo ti guiderà attraverso tecniche di logging manuali e automatiche, culminando nell'organizzazione dei tuoi esperimenti e nella registrazione dei tuoi modelli finali. Questo corso è progettato per data scientist principianti, appassionati di machine learning e sviluppatori che hanno familiarità con il Python di base e desiderano organizzare i loro flussi di lavoro di modellazione. Non è richiesta alcuna esperienza precedente con MLflow o MLOps. Inizia a leggere oggi per portare struttura, riproducibilità e chiarezza ai tuoi esperimenti di machine learning.