Inleiding
Scripts zijn ideaal wanneer u machine learning-workloads wilt uitvoeren in productieomgevingen. Stel dat u een data scientist bent die een machine learning-model heeft ontwikkeld om diabetes te voorspellen. Het model wordt uitgevoerd zoals verwacht en u hebt een trainingsscript gemaakt. Het script wordt gebruikt om het model elke maand opnieuw te trainen wanneer er nieuwe gegevens zijn verzameld.
U wilt de prestaties van het model na verloop van tijd controleren. U wilt weten of de nieuwe gegevens elke maand profiteren van het model. Naast het bijhouden van modellen die zijn getraind in notebooks, kunt u ook MLflow gebruiken om modellen in scripts bij te houden.
MLflow is een opensource-platform dat u helpt bij het bijhouden van metrische gegevens en artefacten van modellen op verschillende platforms en is geïntegreerd met Azure Machine Learning.
Wanneer u MLflow samen met Azure Machine Learning gebruikt, kunt u lokaal of in de cloud trainingsscripts uitvoeren. U kunt metrische gegevens en artefacten van modellen bekijken in de Azure Machine Learning-werkruimte om uitvoeringen te vergelijken en te beslissen over de volgende stappen.
Leerdoelen
In deze module leert u het volgende:
- Gebruik MLflow wanneer u een script als taak uitvoert.
- Bekijk metrische gegevens, parameters, artefacten en modellen uit een uitvoering.