Kiedy masz dziesiątki, a nawet setki eksperymentów, prędzej czy później napotkasz takie problemy podczas szkolenia modeli ML:
Nie możesz sobie przypomnieć - jakich parametrów użył(a) i jakiej jakości były modele;
Nie możesz odtworzyć swojego najlepszego wyniku, ponieważ zgubisz się wśród ogromnej ilości danych;
Filtrowanie i znajdowanie eksperymentów na różnych parametrach staje się niemożliwe;
MLflow-Tracking rozwiązuje wszystkie te problemy!
Przykład: "Pokaż mi eksperymenty, które dały wynik (np. precyzja) ponad 95%" - staje się prostym zadaniem :)
Zapobiega chaosowi w przechowywaniu i kontroli wersji wraz ze wzrostem liczby modeli ML i eksperymentowaniem z nimi.
Nie trzeba zapamiętywać ani zapisywać “gdzieś na boku” (np. własne notatki, excel itd) z jakimi parametrami model został przeszkolony - informacje te są przechowywane w MLflow.
Nie musisz zgadywać z jakimi parametrami (i też algorytmami) model dał najlepszy wynik - możesz porównać wszystkie parametry.
Pomaga walczyć z przeuczeniem się modeli ML, zapewniając wersjonowanie parametrów, metryk oraz innych wyników (np. wykresy krzyw uczenia się) modelu
Zapewnia możliwość odtworzenia eksperymentów, to między innymi daje możliwość podzielić się swoją pracą z zespołem.
MLflow pozwala rejestrować i przeglądać parametry, metryki i artefakty (pliki) dla każdego modelu/eksperymentu.
Nie trzeba zapamiętywać ani zapisywać “gdzieś na boku” (np. własne notatki, excel itd) z jakimi parametrami model został przeszkolony - informacje te są przechowywane w MLflow.
Nie musisz zgadywać z jakimi parametrami (i też algorytmami) model dał najlepszy wynik - możesz porównać wszystkie parametry.
Pomaga walczyć z przeuczeniem się modeli ML, zapewniając wersjonowanie parametrów, metryk oraz innych wyników (np. wykresy krzyw uczenia się) modelu
Zapewnia możliwość odtworzenia eksperymentów, to między innymi daje możliwość podzielić się swoją pracą z zespołem.
MLflow pozwala rejestrować i przeglądać parametry, metryki i artefakty (pliki) dla każdego modelu/eksperymentu.
Jakie problemy rozwiązuje MLflow-Tracking:
3 proste kroki, aby wziąć udział
Subskrypcja
Dołączasz do DW Club, który ma już wiele praktycznych materiałów.
Email
Otrzymujesz e-mail z danymi do autoryzacji na serwerze.
Materiał
Masz dostęp do praktycznych materiałów. 6 maja zostaną dodane materiały dotyczące MLflow.
DW Tool w MLflow to kolejny materiał dla DW Club
Co miesiąc uzupełniamy bazę wiedzy w naszym DWClub, tym samym doskonalimy twoje umiejętności, poszerzamy horyzonty i budujemy solidne podstawy wiedzy z zakresu Machine Learning & Data Science.
Jak dostać się do
Kliknij poniżej i wykup dostęp miesięczny lub roczny. Koszt jest zaskakująco niski.
DW Club?
Przykład użycia prostego i wygodnego UI w MLflow:
Przewaga MLflow:
Możliwość zapisywania (logowania) dowolnych formatów plików (obrazki, csv, html, wykresy).
Skalowalność - wszystkie informacje są zapisywane, niezależnie od liczby modeli.
Scentralizowane i bezpieczne przechowywanie.
Ujednolicenie metryk modelu.
Wszystkie informacje o metrykach modelu są uporządkowane.
Prosta i przejrzysta dokumentacja i API.
Skalowalność - wszystkie informacje są zapisywane, niezależnie od liczby modeli.
Scentralizowane i bezpieczne przechowywanie.
Ujednolicenie metryk modelu.
Wszystkie informacje o metrykach modelu są uporządkowane.
Prosta i przejrzysta dokumentacja i API.
Vladimir Alekseichanko
Praktyczne doświadczenie w Machine Learning i Data Science - 10 lat, w programowaniu - 15 lat, doświadczenie zdobył w amerykańskich i europejskich firmach różnej wielkości (od korporacji po startup).
Ponad 500 modeli Machine Learning wdrożonych na produkcję, które zarabiają na siebie.
CEO i założyciel DataWorkshop, założyciel także DataWorkshop
Foundation.
Udziela konsultacji firmom, jak wdrażać uczenie maszynowe i uczy procesu od ustalenia wartości biznesowej poprzez prototyp po wdrożenia i skalowanie modeli.
Autor kursów i innych inicjatyw edukacyjnych z Data Science & Machine Learning, w których wzięło udział ponad 10 000 osób z różnych stron świata.
Prelegent wielu konferencji (ponad 70 wystąpień) i twórca międzynarodowej konferencji na temat najnowszych osiągnięć w Machine Learning.
Twórca podcastu Biznes Myśli (> 200 000 odsłuchań).
Ponad 500 modeli Machine Learning wdrożonych na produkcję, które zarabiają na siebie.
CEO i założyciel DataWorkshop, założyciel także DataWorkshop
Foundation.
Udziela konsultacji firmom, jak wdrażać uczenie maszynowe i uczy procesu od ustalenia wartości biznesowej poprzez prototyp po wdrożenia i skalowanie modeli.
Autor kursów i innych inicjatyw edukacyjnych z Data Science & Machine Learning, w których wzięło udział ponad 10 000 osób z różnych stron świata.
Prelegent wielu konferencji (ponad 70 wystąpień) i twórca międzynarodowej konferencji na temat najnowszych osiągnięć w Machine Learning.
Twórca podcastu Biznes Myśli (> 200 000 odsłuchań).
Kto będzie Cię uczył?
Możesz liczyć na wsparcie!
Otrzymujesz odpowiedzi na swoje pytania, uczymy się razem.
Widzisz, jak inni rozwiązują zadania, tym sposobem uczysz się także od innych uczestników. Jesteś częścią społeczności miłośników Pythona, Data Science i Machine Learning.
Rozwijamy 4 ważne kompetencje teraźniejszości i przyszłości takie jak: kooperacja, komunikacja, kreatywność i krytyczne myślenie.
MLflow ułatwia życie specjalistom w dziedzinie Data Science i Machine Learning, ponieważ pozwala zarządzać nawet setkami eksperymentów.
© All Rights Reserved.
DataWorkshop sp. z o. o
ul. Mogilska 43
31-545 Kraków
KRS: 0000815135
NIP: 6762574286
REGON: 384914283
DataWorkshop sp. z o. o
ul. Mogilska 43
31-545 Kraków
KRS: 0000815135
NIP: 6762574286
REGON: 384914283