Pular para o conteúdo principal
InícioMachine Learning

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 Gratuitamente
4 horas16 vídeos51 exercícios5.482 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado 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.

Para Empresas

GroupTreinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Engenheiro de aprendizado de máquina

Ir para a trilha

Aprendizado de máquina na produção em Python

Ir para a trilha
  1. 1

    Introdução ao fluxo ML

    Gratuito

    Neste 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.

    Reproduzir Capítulo Agora
    O que é o fluxo ML?
    50 xp
    Componentes do fluxo ML
    50 xp
    MLexperimentos de fluxo
    100 xp
    MLPrograma de fluxo
    50 xp
    Iniciando uma corrida
    100 xp
    Registro de uma execução
    100 xp
    Como recuperar dados de execução ativos?
    50 xp
    Consulta de execuções
    50 xp
    Opções de consulta de execuções de pesquisa
    50 xp
    Buscando execuções
    100 xp
  2. 2

    MLModelos de fluxo

    Gratuito

    Neste 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.

    Reproduzir Capítulo Agora
  3. 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.

    Reproduzir Capítulo Agora
  4. 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.

    Reproduzir Capítulo Agora
Para Empresas

GroupTreinar 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 trilha

Aprendizado de máquina na produção em Python

Ir para a trilha

conjuntos de dados

50_StartupsStudent_Study_HourSalary_predictInsurance

colaboradores

Collaborator's avatar
George Boorman
Collaborator's avatar
Arne Warnke
Collaborator's avatar
Kat Zahradova
Weston Bassler HeadshotWeston Bassler

Senior MLOps Engineer

Ver Mais

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

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.