Szkolenie MLflow
Poziom
ŚredniozaawansowanyCzas
16h / 2 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie MLflow
Szkolenie z MLflow to intensywny, dwudniowy kurs, który koncentruje się na praktycznym zastosowaniu MLflow do zarządzania cyklem życia modeli machine learningowych. Program szkolenia jest tak zaprojektowany, aby 80% czasu poświęcone było na praktyczne warsztaty, a 20% na teorię. Uczestnicy nauczą się, jak efektywnie rejestrować, śledzić, wdrażać i monitorować modele ML, pracując na rzeczywistych przykładach i przypadkach użycia.
Dla kogo jest szkolenie MLflow?
Data scientistów i ML engineerów, którzy chcą ustandaryzować pracę z eksperymentami, modelami i artefaktami oraz uporządkować proces wyboru i rejestracji modeli-
Specjalistów IT (Data/Platform/DevOps), którzy wspierają zespoły ML w automatyzacji i utrzymaniu praktyk MLOps oraz integracji narzędzi wokół cyklu życia modelu
-
Programistów i inżynierów ML, którzy chcą przygotowywać uruchomienia modeli oraz podstawy obserwowalności i procesu aktualizacji (wersjonowanie, rollback, kontrola jakości)
Wymagania
Znajomość podstaw programowania w Pythonie-
Doświadczenie z narzędziami do analizy danych będzie dodatkowym atutem
-
Podstawowa wiedza z zakresu uczenia maszynowego
Czego nauczysz się na szkoleniu MLflow?
- Konfiguracji i utrzymania MLflow Tracking w praktycznym workflow eksperymentów (parametry, metryki, artefakty, porównywanie uruchomień)
- Rejestrowania i zarządzania modelami w MLflow (pakowanie, sygnatury, walidacja wejść/wyjść, wersjonowanie i etapy w Model Registry)
- Organizacji projektów i uruchomień z MLflow Projects (środowiska, zależności, powtarzalność uruchomień, przekazywanie konfiguracji)
- Integracji MLflow z popularnymi frameworkami ML oraz typowych wzorców uruchomień i monitorowania jakości (logowanie metryk, sygnały driftu, proces aktualizacji)
Program szkolenia MLflow
Dzień 1: Wprowadzenie do MLflow i podstawy zarządzania modelami
Podstawy MLflow
- Wprowadzenie do MLflow i architektura (Tracking Server, Backend Store, Artifact Store)
- Instalacja i konfiguracja MLflow (środowisko, zależności, uruchomienie lokalne i zdalne)
Śledzenie eksperymentów z MLflow Tracking
- Rejestr eksperymentów ML: parametry, metryki, artefakty, tagi, lineage
- Zarządzanie metadanymi i wynikami eksperymentów: porównania, filtrowanie, powtarzalność
Modelowanie i przechowywanie modeli
- Rejestracja modeli z MLflow Models: formaty, sygnatury, wymagania środowiska
- Repozytorium modeli (Model Registry): wersje, etapy, artefakty, audyt zmian
Rejestrowanie i śledzenie eksperymentów
- Warsztat: rejestracja i porównanie eksperymentów ML (baseline, metryki, artefakty)
- Analiza i interpretacja wyników eksperymentów: wybór modelu, ograniczenia, ryzyka
Dzień 2: Zaawansowane techniki i praktyczne zastosowania
Wdrożenie modeli z MLflow Projects
- Projekty MLflow: struktura, konfiguracja, zależności, uruchomienia powtarzalne
- Uruchomienia modeli na różnych platformach: wzorce i scenariusze integracyjne
Monitorowanie modeli z MLflow Models
- Monitoring modeli po uruchomieniu: metryki jakości, drift, logowanie predykcji i cech
- Aktualizacja i optymalizacja modeli: wersjonowanie, rollback, kontrola regresji jakości
Integracja z innymi narzędziami i usługami
- Integracja MLflow z frameworkami ML (TensorFlow, PyTorch, Scikit-Learn) i standardy logowania
- Integracja MLflow z platformami chmurowymi (AWS, Azure, GCP): przechowywanie artefaktów i uruchomienia
Wdrożenie i monitorowanie modelu
- Warsztat: uruchomienie modelu z MLflow w scenariuszu referencyjnym (konfiguracja, artefakty, wersje)
- Monitoring i optymalizacja modelu: metryki, alerty, proces aktualizacji i utrzymania jakości
