Udemy – MLflow in Action – Master the art of MLOps using MLflow tool 2024-8

در تاریخ: 1403/08/30 1:39:33

توضیحات

MLflow in Action – Master the art of MLOps using MLflow tool، دوره آموزش MLflow: تسلط بر MLOps با استفاده از ابزار MLflow توسط آکادمی یودمی منتشر شده است. MLOps ستون فقرات جریان کار یادگیری ماشین مدرن است. این مشکل مبرم عملیاتی کردن مدل های ML در سیستم های تولید را حل می کند. تولید مدل های ML که به طور سنتی ممکن است ماه ها طول بکشد، اکنون می تواند در چند روز با استفاده از ابزار MLOps عملیاتی شود. طبق گفتگوهای فناوری در بازار، سال 2024 سال MLOها است و به مهارت دستوری برای پروژه های ML سازمانی تبدیل خواهد شد. MLflow ابزار نهایی MLOps است زیرا کل چرخه یادگیری ماشین را ساده می کند. این به شما امکان می دهد تا به طور موثر آزمایش ها، کد بسته، ثبت نسخه ها و استقرار مدل ها را در یک پلت فرم یکپارچه دنبال کنید. برخلاف سایر ابزارها، MLflow این فرآیند را ساده می‌کند و شما را قادر می‌سازد که از توسعه به استقرار یکپارچه منتقل شوید.

آنچه خواهید آموخت

اصول MLOps و چگونگی غلبه بر چالش های ذاتی در چرخه عمر سنتی ML را بررسی کنید.
درک عمیقی از MLflow و نقش 4 مؤلفه آن در مدیریت عملیات یادگیری ماشینی (MLOps) به دست آورید.
بیاموزید که چگونه آزمایش‌ها، کد بسته، ثبت‌نام و بازتولید مدل‌ها را با استفاده از ابزار MLflow به طور مؤثر در قلمرو MLOps انجام دهید.
طیف وسیعی از توابع ثبت MLflow برای ردیابی و ثبت موثر آزمایش‌ها، اجراها، مصنوعات، پارامترها، کدها، معیارها و غیره.
ردیابی MLflow – برای ثبت، سازماندهی، و مقایسه تجربیات یادگیری ماشین بدون زحمت.
مدل MLflow – برای بسته‌بندی مدل کارآمد درانواع متمایز که امکان ساده‌سازی استقرار و ادغام مدل در سیستم‌های تولید را فراهم می‌کند.
پروژه MLflow – برای ایجاد جریان های کاری یادگیری ماشینی ساختار یافته، قابل تکرار و به راحتی قابل اشتراک گذاری.
MLflow Registry – برای مدیریت کارآمد مدل، ردیابی نسخه به منظور حفظ کیفیت و عملکرد مدل در طول زمان.
یک پروژه کامل ML سرتاسر که ادغام MLflow با ابر AWS را نشان می دهد.
با استفاده از AWS Sagemaker و MLflow یک مدل یادگیری ماشینی در ابر AWS بسازید، آموزش دهید، آزمایش کنید و استقرار دهید.