MLflow、PyTorch、TensorFlowを使用したディープラーニングMLOps

ハイパーパラメータ、ニューラルネットワークのアーキテクチャ、トレーニングデータセットを調整するにつれて、ディープラーニングの実験の管理はすぐに混沌としたものになります。構造化されたワークフローがなければ、どのトレーニング実行が最高のモデルを生み出したかを追跡することはほぼ不可能です。このテキストベースのコースでは、MLflowを使用したMLOpsの基礎を学び、ディープラーニングプロジェクトに秩序をもたらします。パラメータ、メトリック、アーティファクトを体系的に記録し、実験が完全に再現可能でデプロイの準備ができていることを確認する方法を学びます。習得できる内容：コアとなるMLOpsの概念と、最新のワークフローにおける実験追跡の役割を理解する、ハイパーパラメータ、メトリック、システム詳細をキャプチャするようにMLflow追跡を設定する、トレーニング中にPyTorchおよびTensorFlowのモデル、パラメータ、損失曲線をログに記録する、MLflow Model Registryを使用してモデルのバージョンと遷移を管理する、さまざまなトレーニング実行を比較して最もパフォーマンスの高いニューラルネットワーク構成を特定する、ディープラーニングモデルをパッケージ化してデプロイするための最新のベストプラクティスを適用する。まずは、MLOpsの基礎原則を探求し、MLflow追跡環境を設定することから始めます。そこから、PyTorchおよびTensorFlowスクリプトの計装、実験の整理、バージョン管理のためのモデルレジストリの活用へと進みます。このコースは、手動でのモデルトレーニングから構造化されたワークフローへの移行を目指す初心者データサイエンティスト、機械学習愛好家、開発者向けに設計されており、MLflowの事前経験は必要ありません。整理された、プロフェッショナルで再現可能なディープラーニングパイプラインの構築を今すぐ始めましょう。