MLflow

Introducción

• Adaptación de las mejores prácticas de desarrollo de software al aprendizaje automático.
• MLflow vs Kubeflow -- ¿Dónde brilla MLflow?

Resumen del ciclo Machine Learning

• Preparación de datos, entrenamiento de modelos, implementación de modelos, servicio de modelos, etcétera.

Descripción general de MLflow Características y arquitectura

• MLflow Seguimiento, MLflow Proyectos y MLflow Modelos
• Uso de la interfaz de línea de comandos (CLI) MLflow
• Navegación por la interfaz de usuario MLflow

Configuración MLflow

• Instalación en una nube pública
• Instalación en un servidor local

Preparación del entorno de desarrollo

• Trabajar con cuadernos de Jupyter, Python IDE y scripts independientes

Preparación de un proyecto

• Conexión a los datos
• Creación de un modelo de predicción
• Entrenamiento de un modelo

Uso del seguimiento MLflow

• Registro de versiones, datos y configuraciones de código
• Registro de archivos de salida y métricas
• Consulta y comparación de resultados

Ejecución de MLflow proyectos

• Información general sobre la sintaxis de YAML
• El papel del repositorio Git
• Código de embalaje para la reutilización
• Compartir código y colaborar con los miembros del equipo

Guardar y servir modelos con MLflow modelos

• Elegir un entorno para la implementación (nube, aplicación independiente, etcétera).
• Implementación del modelo de aprendizaje automático
• Al servicio del modelo

Uso del MLflow Registro de modelos

• Configuración de un repositorio central
• Almacenar, anotar y descubrir modelos
• Gestión de modelos de forma colaborativa.

Integración MLflow con otros sistemas

• Trabajar con MLflow Plugins
• Integración con sistemas de almacenamiento de terceros, proveedores de autenticación y API REST
• Funcionamiento Apache Spark -- opcional

Solución de problemas

Resumen y conclusión