Trainieren und Verfolgen von Machine Learning-Modellen mit MLflow in Fabric

Die Verwaltung von Machine-Learning-Experimenten kann ohne eine systematische Methode zur Verfolgung von Parametern, Metriken und Modellen schnell chaotisch werden. In diesem Kurs erfahren Sie, wie Sie Ihren Data Science-Workflow durch die Nutzung von MLflow in der Fabric-Umgebung ordnen können. Sie werden von der manuellen Nachverfolgung zu einem automatisierten, reproduzierbaren Workflow übergehen und lernen, wie Sie Durchläufe protokollieren, die Modellleistung vergleichen und Ihre besten Modelle registrieren. Was Sie lernen: 1. Verstehen Sie grundlegende Machine-Learning-Tracking-Konzepte und die MLflow-Architektur. 2. Konfigurieren Sie Fabric-Notizbücher, um Parameter, Metriken und Artefakte zu protokollieren. 3. Trainieren Sie Machine-Learning-Modelle und verfolgen Sie deren Leistung. 4. Vergleichen Sie mehrere Versuchsläufe, um die leistungsstärksten Konfigurationen zu ermitteln. 5. Registrieren und versionieren Sie Ihre trainierten Modelle im Fabric-Arbeitsbereich. 6. Wenden Sie saubere Codierungspraktiken an, um reproduzierbare Experimente sicherzustellen. Der Kurs beginnt mit der wesentlichen Terminologie und Einrichtung und führt Sie durch grundlegende Tracking-Konzepte, bevor Sie zu Notebook-Beispielen und Modellregistrierung übergehen. Sie lernen durch schriftliche Erklärungen, klare Code-Snippets und praktische Szenarien. Dieser Kurs richtet sich an Anfänger, angehende Data Scientists und Entwickler, die MLflow oder Fabric noch nicht kennen und keine vorherige Erfahrung mit der Experimentverfolgung benötigen. Beginnen Sie noch heute mit der Organisation Ihrer Machine-Learning-Experimente und schaffen Sie eine solide Grundlage für MLOps.