Modernes MLOps mit MLflow

Classroom Schulung | Deutsch | Anspruch

Schulungsdauer: 3 Tage

Ziele

Machine Learning Operations (MLOps) verschafft in der Softwareentwicklung etablierte DevOps Prozess auf Machine Learning. Machine Learning Operations involviert das Entwickeln, Bereitstellen, Verwalten und Überwachen von Machine-Learning-Modellen. Data-Sciencentists, Data Manager, Database Manager und Machine Learning Developer profitieren stark von reibungslosen und modernen MLOps Frameworks und Prozessen. Mit MLOps profitieren Unternehmen von schnellen und größeren geschäftlichen Nutzen dank Machine Learning Utilization.

In diesem Kurs Modernes "MLOps mit MLflow" lernen Sie den Aufbau von MLOps Pipelines und Machine Learning Model Register mithilfe von MLflow. Sie lernen das Setup, Nutzung und Anpassung des MLflow für individuelle Ziele im Bereich Machine Learning und Data Science zu nutzen.

Zielgruppe

  • Data Scientest (Leads), die ihre Daten Exprimente tracken, reproduzieren und schnellen in die Produktion bringen möchten.

Voraussetzungen

  • Python 3 Kentnisse
  • Basics in Cloud (AWS, GCP, Azure)

Agenda

Einführung MLOps

  • MLOps Entstehung
  • MLOps vs DevOps

Einführung MLflow

  • Was ist MLflow
  • Open Source Alternativen zu MLFlow
  • AWS Sagemaker als Alternative zu MLFlow
  • GCP Vertex AI als ALternative zu MLFlow

MLflow First Steps

  • Einführung in MLflow Framework
  • Einführung in MLflow Tracking Server
  • Einführung in MLflow Model Registry
  • Aufsetzen MLflow und MLflow Tracking Server local
    • Deep Dive Runs & Experiments
    • Deep Dive Artifacts, Parameters, Metadata, Metrics
    • Deep Dive Models, Model Version & Model Staging
  • Hello World mit Python3 und MLflow Tracking Server local

MLFlow mit Cloud

  • Setup MLflow Tracking Server in AWS mit EC2
  • Hello World mit MLflow Tracking Server auf AWS
  • MLflow in der Cloud per API Steuern
  • AWS Sagemaker Training über MLflow CLI & REST API triggern
  • MLflow Experiment Run zum Model & Model Stage promoten
  • Model Deployment triggern nach erfolgreichem Model & Model Stage promotion

Best Practices

  • MLflow Best practices
  • Security Best Practices

Clean up

Ziele

Machine Learning Operations (MLOps) verschafft in der Softwareentwicklung etablierte DevOps Prozess auf Machine Learning. Machine Learning Operations involviert das Entwickeln, Bereitstellen, Verwalten und Überwachen von Machine-Learning-Modellen. Data-Sciencentists, Data Manager, Database Manager und Machine Learning Developer profitieren stark von reibungslosen und modernen MLOps Frameworks und Prozessen. Mit MLOps profitieren Unternehmen von schnellen und größeren geschäftlichen Nutzen dank Machine Learning Utilization.

In diesem Kurs Modernes "MLOps mit MLflow" lernen Sie den Aufbau von MLOps Pipelines und Machine Learning Model Register mithilfe von MLflow. Sie lernen das Setup, Nutzung und Anpassung des MLflow für individuelle Ziele im Bereich Machine Learning und Data Science zu nutzen.

Zielgruppe

  • Data Scientest (Leads), die ihre Daten Exprimente tracken, reproduzieren und schnellen in die Produktion bringen möchten.

Voraussetzungen

  • Python 3 Kentnisse
  • Basics in Cloud (AWS, GCP, Azure)

Agenda

Einführung MLOps

  • MLOps Entstehung
  • MLOps vs DevOps

Einführung MLflow

  • Was ist MLflow
  • Open Source Alternativen zu MLFlow
  • AWS Sagemaker als Alternative zu MLFlow
  • GCP Vertex AI als ALternative zu MLFlow

MLflow First Steps

  • Einführung in MLflow Framework
  • Einführung in MLflow Tracking Server
  • Einführung in MLflow Model Registry
  • Aufsetzen MLflow und MLflow Tracking Server local
    • Deep Dive Runs & Experiments
    • Deep Dive Artifacts, Parameters, Metadata, Metrics
    • Deep Dive Models, Model Version & Model Staging
  • Hello World mit Python3 und MLflow Tracking Server local

MLFlow mit Cloud

  • Setup MLflow Tracking Server in AWS mit EC2
  • Hello World mit MLflow Tracking Server auf AWS
  • MLflow in der Cloud per API Steuern
  • AWS Sagemaker Training über MLflow CLI & REST API triggern
  • MLflow Experiment Run zum Model & Model Stage promoten
  • Model Deployment triggern nach erfolgreichem Model & Model Stage promotion

Best Practices

  • MLflow Best practices
  • Security Best Practices

Clean up

Diese Seite weiterempfehlen