Tracking de modelos en localhost con MLflow

sugiero este orden para que veas las clases: 1\. Qué es MLOps y para qué sirve 2\. etapas del ciclo de MLOps 3\. componentes de MLOps 4\. Para qué sirve el tracking de modelos en MLOps 5\. Tracking de experimentos con MLOps: pre procesamiento de datos 6\. Tracking de experimentos con MLOps: Definición de funciones 7\. Tracking de experimentos con MLOps: tracking de métricas e hiper parámetros 8\. Tracking de experimentos con MLOps: reporte de clasificación 9\. Tracking de modelos en localhost con MLOps 10\. tracking de modelos en localhost: directorio personalizado 11\. Tracking de modelos con MLOps y SQlite 12\. Tracking de Modelos con MLOps en la nube 13\. Entrenamiento de modelos baseline y análisis en UI de MLOps 14\. MLflow model registry 15\. registro de modelos 16\. testing de modelo 17\. Task con prefect 18\. flows con prefect 19\. flow de modelo de clasificación de tickets 20\. Flow de modelo de clasificación de tickets integración de las task 21\. flow de modelo de clasificación de tickets ejecución de task 22\. cómo se integra la orquestación 23\. Despliegue Con docker configuración y requerimientos 24\. despliegue con docker definición de clases 25\. despliegue con docker procesamiento de predicciones 26\. despliegue con docker configuración de base de datos 27\. despliegue y pruebas del modelo de machine learning en localhost 28\. despliegue y pruebas del modelo de machine learning en nube 29\. Qué hacer con el modelo desplegado 30\. Cómo monitorear modelos de machine learning en producción 31\. entrenamiento de modelo baseline 32\. hoy preparar datos para crear reporte 33\. analizar la calidad de los datos 34\. creación de reportes con grafana 35\. como mejorar tus proyectos

Puede ser que falte una Clase antes?

### ¿Qué es y qué hace`Poetry`? * **Gestión de dependencias:** Permite especificar, instalar y actualizar las bibliotecas necesarias para un proyecto. `Poetry` resuelve automáticamente las dependencias para asegurar que no haya conflictos entre ellas. * **Control de versiones y publicación de paquetes:** Facilita la especificación de versiones de paquetes de manera precisa y su publicación en repositorios como PyPI, lo cual es útil para compartir bibliotecas o aplicaciones con otros. * **Creación de entornos virtuales:** Maneja automáticamente los entornos virtuales para cada proyecto, evitando así la contaminación entre dependencias de diferentes proyectos. * **Archivo** `pyproject.toml`**:** Utiliza un solo archivo de configuración (`pyproject.toml`) para manejar todas las configuraciones del proyecto, incluyendo dependencias, configuración de paquetes, y más, siguiendo las recomendaciones del PEP 518. <https://peps.python.org/pep-0008/>

Sí les sale este error:

---------------------------------------------------------------------------
ModuleNotFoundError                       Traceback (most recent call last)
Cell In[4], line 1
----> 1 import mlflow
      2 from sklearn.linear_model import LogisticRegression
      3 from sklearn.datasets import load_iris

ModuleNotFoundError: No module named 'mlflow'

Asegurence de

1. Haber activado el entorno virtual de poetry con poetry install (Instalacion de dependencias) y poetry install (Activacion del env)
2. Haber seleccionado el kernel adecuado, en mis caso se ve así;
   
   

Instalación de Poetry:
**- Instalación Ma, linux, wsl: **

1. curl -sSL https://install.python-poetry.org | python3 -
2. export PATH="/home/.local/bin:$PATH ( lo cambias por el path que te muestra la terminal cuando ejecutas el código anterior)
3. poetry --version
4. activar el ambiente virtual (mlops-curso) : Navega al directorio del proyecto donde está tu archivo pyproject.toml y escribe el siguiente comando:
   poetry shell y listo ambiente activado !!!

Para instalar MLflow en Ubuntu, sigue estos pasos: Abre una terminal. Actualiza el índice de paquetes: `sudo apt update` Instala Python y pip (si no los tienes ya instalados): `sudo apt install python3 python3-pip` Instala MLflow usando pip: `pip install mlflow` Reinicia el CLI Verifica la instalación: `mlflow --version` Estos pasos te permitiran tener MLFlow instalado en Ubuntu

Logré correr el servidor de MlFlow, pero por alguna razón no veo el experimento "iris\_experiment". Tienen alguna idea de por qué pasa esto?

Para quienes usen Mac seria util seleccionar el kernel de Jupyter que contiene la ultima version de python y con respecto a esta setear la pyenv, tambien dependiendo las versiones de python que esten trabajando. 

Les comparto un recurso que me pareció bastante bueno y completo sobre por qué usar poetry y cómo usarlo con buenas prácticas: <https://www.youtube.com/watch?v=sYtXjiCua48>

Instalación de pyenv: <https://github.com/pyenv/pyenv?tab=readme-ov-file#installation>