Introdução ao fluxo ML
Aprenda a usar o MLflow para simplificar a criação de apps de ML. Explore tracking, projetos e modelos.
Comece O Curso Gratuitamente4 horas16 vídeos51 exercícios5.619 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Gerenciar o ciclo de vida de ponta a ponta de um aplicativo de machine learning pode ser uma tarefa assustadora para cientistas de dados, engenheiros e desenvolvedores. Os aplicativos de machine learning são complexos e têm um histórico comprovado de serem difíceis de rastrear, difíceis de reproduzir e problemáticos de implantar.
Neste curso, você aprenderá o que é o fluxo MLe como ele tenta simplificar as dificuldades do ciclo de vida do Machine Learning, como rastreamento, reprodutibilidade e implantação. Depois de aprender o fluxo do ML, você terá uma melhor compreensão de como superar as complexidades da criação de aplicativos de Machine Learning e como navegar pelos diferentes estágios do ciclo de vida do Machine Learning.
Ao longo do curso, você mergulhará fundo nos quatro principais componentes que compõem a plataforma de fluxo ML. Você explorará como rastrear modelos, métricas e parâmetros com o programa MLflow Tracking, empacotar código reproduzível ML usando o programa MLflow Projects, criar e implantar modelos usando o programa MLflow Models e armazenar e controlar a versão dos modelos usando o Model Registry.
À medida que avança no curso, você também aprenderá as práticas recomendadas de uso do fluxo MLpara modelos de controle de versão, como avaliar modelos, adicionar personalizações a modelos e como criar automação em execuções de treinamento. Este curso preparará você para ter sucesso no gerenciamento do ciclo de vida do seu próximo aplicativo de Machine Learning.
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro de aprendizado de máquina
Ir para a trilhaAprendizado de máquina na produção em Python
Ir para a trilha- 1
Introdução ao fluxo ML
GratuitoNeste capítulo, você será apresentado ao fluxo MLe como ele visa a ajudar em algumas dificuldades do ciclo de vida do machine learning. Você será apresentado aos quatro principais conceitos que compõem o fluxo MLcom foco principal no programa ML. Você aprenderá a criar experimentos e execuções, bem como a rastrear métricas, parâmetros e artefatos. Por fim, você pesquisará o fluxo MLprogramaticamente para encontrar execuções de experimentos que atendam a determinados critérios.
O que é o fluxo ML?50 xpComponentes do fluxo ML50 xpMLexperimentos de fluxo100 xpMLPrograma de fluxo50 xpIniciando uma corrida100 xpRegistro de uma execução100 xpComo recuperar dados de execução ativos?50 xpConsulta de execuções50 xpOpções de consulta de execuções de pesquisa50 xpBuscando execuções100 xp - 2
MLModelos de fluxo
GratuitoNeste capítulo, você conhecerá os modelos de fluxo do ML. O componente MLflow Models do MLflow desempenha uma função essencial nas etapas de avaliação de modelos e engenharia de modelos do ciclo de vida do machine learning. Você aprenderá como o MLflow Models padroniza o empacotamento dos modelos do ML e também como salvá-los, registrá-los e carregá-los. Você aprenderá a criar modelos de fluxo MLpersonalizados para oferecer mais flexibilidade aos seus casos de uso e a avaliar o desempenho do modelo. Você utilizará o avançado conceito de "Flavors" e, por fim, usará a ferramenta de linha de comando MLflow para a implantação de modelos.
Introdução aos modelos de fluxo ML50 xpEmpacote um modelo de machine learning100 xpFormato de armazenamento50 xpO que há em um arquivo de modelo ML?50 xpModelo API50 xpSalvando e carregando um modelo100 xpRegistro e carregamento de um modelo100 xpModelos personalizados50 xpCriando uma classe Python personalizada100 xpModelo personalizado do scikit-learn100 xpAvaliação e sabor do Scikit-learn100 xpServiço de modelo50 xpServindo um modelo50 xpPontuação de um modelo atendido50 xp - 3
Registro do modelo Mlflow
Este capítulo apresenta o conceito do fluxo MLchamado Registro de Modelos. Você será apresentado a como o Model Registry é usado para gerenciar o ciclo de vida dos modelos do ML. Você aprenderá a criar e pesquisar modelos no Model Registry. Em seguida, você aprenderá a registrar modelos no Model Registry e a fazer a transição de modelos entre estágios predefinidos. Por fim, você também aprenderá a implantar modelos a partir do Model Registry.
Introdução ao MLflow Model Registry50 xpCriar um modelo100 xpPesquisa de modelos100 xpRegistro de modelos50 xpRegistro de modelos existentes100 xpRegistro de novos modelos100 xpEstágios do modelo50 xpEstágios do modelo no Registro de Modelos50 xpTransição de estágios do modelo100 xpImplementação do modelo50 xpServindo modelos do Model Registry50 xpCarregando modelos do Model Registry100 xp - 4
MLProjetos de fluxo
Neste capítulo, você obterá conhecimentos valiosos sobre como otimizar seu código de ciência de dados para reutilização e reprodutibilidade usando o MLflow Projects. O capítulo começa introduzindo o conceito de projetos de fluxo MLe orientando você na criação de um arquivo de projeto ML. A partir daí, você aprenderá a executar o MLflow Projects por meio da linha de comando e do módulo MLflow Projects e, ao mesmo tempo, descobrirá o poder do uso de parâmetros para aumentar a flexibilidade do seu código. Por fim, você aprenderá a gerenciar as etapas do ciclo de vida do machine learning criando um fluxo de trabalho de várias etapas usando o MLflow Projects.
Introdução aos projetos de fluxo ML50 xpMLlayout do arquivo de projeto50 xpCriando um projeto ML100 xpExecutando projetos de fluxo ML50 xpMLcomando de execução de fluxo50 xpMLmódulo de projetos de fluxo100 xpEspecificação de parâmetros50 xpAdicionando parâmetros ao projeto ML100 xpAdição de parâmetros à execução do projeto100 xpFluxos de trabalho50 xpCriando um projeto MLpara o ciclo de vida ML: Engenharia de modelos100 xpCriando um projeto MLpara o ciclo de vida ML: Avaliação do modelo100 xpCriação de um fluxo de trabalho em várias etapas: Engenharia de modelos100 xpCriação de um fluxo de trabalho em várias etapas: Avaliação do modelo100 xpResumo50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro de aprendizado de máquina
Ir para a trilhaAprendizado de máquina na produção em Python
Ir para a trilhacolaboradores
Weston Bassler
Ver MaisSenior MLOps Engineer
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Introdução ao fluxo ML hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.