دوره مقدمه‌ای بر MLflow با کاربردها

آنچه یاد خواهید گرفت: ردیابی، مقایسه و تحلیل آزمایش‌های یادگیری ماشین با استفاده از MLflow Tracking و رابط کاربری MLflow ثبت پارامترها، معیارها، فایل‌های خروجی و مدل‌ها به‌صورت برنامه‌نویسی‌شده برای آزمایش‌های قابل بازتولید در یادگیری ماشین بسته‌بندی و اجرای پروژه‌های یادگیری ماشین با استفاده از MLflow Projects و محیط‌های یکسان و سازگار ثبت، نسخه‌بندی و مدیریت مدل‌ها با استفاده از MLflow Model Registry برای گردش‌کارهای تولیدی پیش‌نیازهای دوره تجربه برنامه‌نویسی پایتون در سطح پایه تا متوسط دانش قبلی با مفاهیم یادگیری ماشین (آموزش مدل، معیارهای ارزیابی، بیش‌برازش و غیره) آشنایی با دست‌کم یکی از کتابخانه‌های ML یا علم داده (برای مثال scikit-learn ،TensorFlow ،PyTorch) درک کلی از مفاهیم توسعه نرم‌افزار (اسکریپت‌ها، محیط‌ها، وابستگی‌ها) توضیحات دوره پروژه‌های یادگیری ماشین به‌سرعت پیچیده می‌شوند؛ با رشد آزمایش‌ها، تکامل مدل‌ها و بزرگ‌تر شدن تیم‌ها. ردیابی دستی آزمایش‌ها، مقایسه نتایج بین اجراهای مختلف و مدیریت نسخه‌های مدل بدون ابزار مناسب، باعث اتلاف وقت، نتایج غیرقابل‌بازتولید و سیستم‌های تولیدی شکننده می‌شود. این دوره یک راهنمای عملی و جامع برای MLflow ارائه می‌دهد؛ استاندارد متن‌باز برای مدیریت چرخه عمر یادگیری ماشین. شما یاد می‌گیرید چگونه آزمایش‌ها را ردیابی کنید، پروژه‌های ML را سازمان‌دهی کنید، مدل‌ها را ثبت و نسخه‌بندی کنید و مدل‌ها را به شکلی ساختاریافته و قابل‌بازتولید مستقر کنید. به‌جای تمرکز بر تئوری، این دوره عملی و مبتنی بر گردش‌کار است. شما با کد واقعی یادگیری ماشین کار می‌کنید و می‌بینید MLflow چگونه در پایپ‌لاین‌های حرفه‌ای ML و توسعه نرم‌افزار ادغام می‌شود. این دوره فرض می‌کند که شما از قبل مفاهیم یادگیری ماشین و کتابخانه‌های ML مبتنی بر پایتون را می‌شناسید و بر این تمرکز دارد که چگونه کارهای ML را در محیط‌های واقعی به‌درستی مدیریت کنید. در این دوره، یاد می‌گیرید چگونه: آزمایش‌ها را با استفاده از MLflow Tracking و رابط کاربری MLflow ردیابی کنید. پارامترها، معیارها، فایل‌های خروجی و مدل‌ها را به‌صورت برنامه‌نویسی‌شده ثبت کنید. نتایج آزمایش‌ها را در چندین اجرا مقایسه و جست‌وجو کنید. از MLflow Projects برای بسته‌بندی کد ML با محیط‌های قابل‌بازتولید استفاده کنید. نسخه‌های مدل و مراحل چرخه عمر آن را با استفاده از MLflow Model Registry مدیریت کنید. مدل‌ها را با استفاده از MLflow Models بارگذاری، مستقر و ارائه کنید. گردش‌کارهای ML آماده تولید طراحی کنید که فراتر از notebookها مقیاس‌پذیر باشند. این دوره مقدمه‌ای بر یادگیری ماشین نیست. اگر می‌خواهید یاد بگیرید مدل‌ها چه هستند یا آموزش چگونه کار می‌کند، این دوره مناسب شما نیست. در عوض، این دوره برای افرادی طراحی شده است که از قبل مدل می‌سازند و اکنون می‌خواهند گردش‌کار ML خود را حرفه‌ای‌تر کنند. در پایان دوره، می‌توانید با اطمینان از MLflow برای مدیریت پروژه‌های واقعی ML، همکاری با تیم‌ها و انتقال مدل‌ها از مرحله آزمایش به تولید، به شکلی تمیز و قابل نگهداری استفاده کنید. این دوره برای چه کسانی مناسب است؟ مهندسان یادگیری ماشین که می‌خواهند آزمایش‌ها و مدل‌ها را به‌صورت حرفه‌ای مدیریت کنند. دانشمندان داده که آزمایش‌های زیادی اجرا می‌کنند و به ابزارهای بازتولیدپذیری و مقایسه نیاز دارند. مهندسان نرم‌افزار که روی سیستم‌های مجهز به ML و پایپ‌لاین‌های تولیدی ML کار می‌کنند. فعالان ML که می‌خواهند از آزمایش‌های پراکنده به گردش‌کارهای ساختاریافته ML منتقل شوند.