Fundamentos de MLOps y tracking de modelos

1

¿Qué es MLOps y para qué sirve?

2

Etapas del ciclo de MLOps

3

Componentes de MLOps

4

Tracking de modelos en localhost con MLflow

5

Tracking de modelos en localhost: directorio personalizado

6

Tracking de modelos con MLflow y SQLite

7

Tracking de modelos con MLflow en la nube

Tracking del ciclo de vida de modelos de machine learning

8

Tracking de experimentos con MLflow: preprocesamiento de datos

9

Tracking de experimentos con MLflow: definición de funciones

10

Tracking de experimentos con MLflow: tracking de métricas e hiperparámetros

11

Tracking de experimentos con MLflow: reporte de clasificación

12

Entrenamiento de modelos baseline y análisis en UI de MLflow

13

MLflow Model Registry: registro y uso de modelos

14

Registro de modelos con mlflow.client

15

Testing de modelo desde MLflow con datos de prueba

16

¿Para qué sirve el tracking de modelos en MLOps?

Orquestación de pipelines de machine learning

17

Tasks con Prefect

18

Flows con Prefect

19

Flow de modelo de clasificación de tickets: procesamiento de datos y features

20

Flow de modelo de clasificación de tickets: integración de las tasks

21

Flow de modelo de clasificación de tickets: ejecución de tasks

22

¿Cómo se integra la orquestación en MLOps?

Despliegue de modelo de machine learning

23

Despligue con Docker y FastAPI: configuración y requerimientos

24

Despligue con Docker y FastAPI: definición de clases y entry point

25

Despligue con Docker y FastAPI: procesamiento de predicciones en main app

26

Despligue con Docker y FastAPI: configuración de la base de datos

27

Despliegue y pruebas de modelo de machine learning en localhost

28

Despliegue y pruebas de modelo de machine learning en la nube

29

¿Qué hacer con el modelo desplegado?

Monitoreo de modelo de machine learning en producción

30

¿Cómo monitorear modelos de machine learning en producción?

31

Entrenamiento de modelo baseline

32

Preparar datos para crear reporte con Evidently

33

Análisis de la calidad de los datos con Evidently

34

Creación de reportes con Grafana

35

¿Cómo mejorar tus procesos de MLOps?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Tracking de experimentos con MLflow: definición de funciones

9/35
Recursos

Aportes 2

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Para hacer **tracking de experimentos con MLflow** sin entrar en detalles técnicos, sigue estos pasos básicos: ### 1. **Instala MLflow:** Primero, asegúrate de tener MLflow instalado en tu entorno de trabajo. Es una herramienta que te ayudará a registrar y organizar tus experimentos de machine learning. ### 2. **Configura un Experimento:** En MLflow, un "experimento" es un contenedor para todas las ejecuciones relacionadas con un proyecto. Configura un experimento donde vas a almacenar los resultados de tus modelos. ### 3. **Inicia una Ejecución de Experimento:** Cuando estés listo para entrenar un modelo, inicia una "ejecución" dentro de ese experimento. Esto es como decirle a MLflow: "Voy a comenzar a entrenar un modelo, por favor, registra todo lo que haga". ### 4. **Registra Parámetros y Métricas:** Durante el entrenamiento del modelo, puedes registrar: * **Parámetros:** Variables que estás utilizando, como el número de árboles en un bosque aleatorio. * **Métricas:** Resultados que obtienes, como la precisión del modelo. ### 5. **Guarda el Modelo:** Después de entrenar tu modelo, puedes guardarlo en MLflow para que quede registrado junto con sus parámetros y métricas. Esto te permite tener un historial completo de cada modelo que entrenaste. ### 6. **Explora y Compara Resultados:** MLflow tiene una interfaz visual que te permite ver todos los experimentos que has realizado. Puedes comparar diferentes ejecuciones para ver qué parámetros funcionaron mejor. ### 7. **Opcional: Usa la Nube:** Si trabajas en un proyecto grande o en equipo, puedes configurar MLflow para guardar toda esta información en la nube, lo que facilita el acceso desde cualquier lugar y la colaboración con otras personas. ### Resumen: Hacer tracking de experimentos con MLflow te permite: * **Organizar y registrar** todos los detalles de tus experimentos. * **Comparar resultados** entre diferentes versiones de modelos. * **Mantener un historial claro** de lo que has hecho, lo que facilita repetir o mejorar los experimentos en el futuro.
Pésima práctica guardar metadatos como parámetros.