Szkolenie MLflow – zarządzanie cyklem życia modeli ML

Szkolenie zapewnia dogłębne zrozumienie platformy MLflow i jej zastosowania w zarządzaniu pełnym cyklem życia modeli uczenia maszynowego. Program obejmuje wszystkie kluczowe komponenty MLflow, od śledzenia eksperymentów po wdrażanie modeli, ze szczególnym naciskiem na praktyczne aspekty implementacji. Uczestnicy uczą się efektywnie organizować projekty ML, śledzić eksperymenty oraz automatyzować procesy rozwoju i wdrażania modeli.

• Data Scientists pracujący nad wieloma modelami
• ML Engineers odpowiedzialni za wdrożenia
• DevOps Engineers wspierający zespoły ML
• Specjaliści ds. MLOps
• Inżynierowie ds. zarządzania modelami
• Research Scientists prowadzący eksperymenty ML
• Team Leaders zespołów ML

1. Podstawy MLflow
• Architektura platformy
• Komponenty MLflow
• Konfiguracja środowiska
• Organizacja projektów
2. Śledzenie eksperymentów
• Tracking eksperymentów
• Zarządzanie artefaktami
• Wizualizacja wyników
• Porównywanie modeli
3. Zarządzanie modelami
• Pakowanie modeli
• Rejestr modeli
• Wersjonowanie
• Wdrażanie modeli
4. Automatyzacja i integracja
• Pipeline’y MLflow
• Integracja z narzędziami ML
• Continuous Deployment
• Monitoring produkcyjny

Uczestnik rozwinie praktyczne umiejętności w zakresie zarządzania projektami ML z wykorzystaniem platformy MLflow. Zdobędzie dogłębną wiedzę o organizacji i śledzeniu eksperymentów uczenia maszynowego. Nauczy się efektywnie zarządzać wersjami modeli i artefaktami projektu. Pozna techniki automatyzacji procesów rozwoju i wdrażania modeli. Rozwinie zdolność integracji MLflow z innymi narzędziami ekosystemu ML. Zyska umiejętność budowania powtarzalnych i skalowalnych procesów ML.

• Praktyczne doświadczenie w projektach ML
• Znajomość Python
• Podstawowa wiedza o MLOps
• Doświadczenie w pracy z modelami ML

• Architektura MLflow
• Tracking eksperymentów
• Rejestr modeli
• Wersjonowanie
• Pipeline’y ML
• Deployment modeli
• Automatyzacja procesów
• Integracja narzędzi
• Monitoring modeli
• Zarządzanie artefaktami
• Reprodukowalność eksperymentów
• Najlepsze praktyki MLOps