MLflow dans Azure Machine Learning : Exécuter des scripts et suivre les modèles

La transition des expériences d'apprentissage automatique locales vers l'entraînement évolutif dans le cloud peut sembler écrasante sans les bons outils de suivi. La gestion des métriques, des paramètres et des artefacts de modèle dans un environnement collaboratif nécessite une approche structurée de la journalisation des expériences. Ce cours textuel vous guide à travers les concepts fondamentaux de MLflow et d'Azure Machine Learning, vous montrant comment exécuter de manière transparente des scripts d'entraînement dans le cloud et suivre les performances de votre modèle au fil du temps. Ce que vous apprendrez : * Comprendre les concepts fondamentaux de MLOps, les structures d'espace de travail et l'intégration MLflow ; * Configurer et soumettre des scripts d'entraînement Python en tant que tâches de commande dans Azure Machine Learning ; * Suivre systématiquement les paramètres d'entraînement, les métriques personnalisées et les journaux de sortie ; * Appliquer l'autologging MLflow pour capturer automatiquement les métriques du modèle avec un minimum de code ; * Enregistrer et gérer les versions des modèles dans le registre centralisé du cloud ; * Analyser les historiques d'exécution et comparer les performances entre différentes itérations d'entraînement. Vous commencerez par explorer les définitions de base et les procédures de configuration, puis vous passerez à l'écriture de code de suivi et à la gestion des exécutions dans le cloud. Chaque concept est renforcé par des explications écrites claires et des extraits de code structurés. Ce cours est conçu pour les scientifiques des données, les passionnés d'apprentissage automatique et les développeurs qui débutent dans le MLOps basé sur le cloud, sans expérience préalable requise en Azure Machine Learning ou MLflow. Commencez à organiser vos expériences d'apprentissage automatique dans le cloud dès aujourd'hui.