Tracking de experimentos con MLflow: definición de funciones

Curso de MLOPS: Despliegue de Modelos de Machine Learning

Fundamentos de MLOps y tracking de modelos

¿Qué es MLOps y para qué sirve?

Etapas del ciclo de MLOps

Componentes de MLOps

Tracking de modelos en localhost con MLflow

Tracking de modelos en localhost: directorio personalizado

Tracking de modelos con MLflow y SQLite

Tracking de modelos con MLflow en la nube

Tracking del ciclo de vida de modelos de machine learning

Tracking de experimentos con MLflow: preprocesamiento de datos

Tracking de experimentos con MLflow: definición de funciones

Tracking de experimentos con MLflow: tracking de métricas e hiperparámetros

Tracking de experimentos con MLflow: reporte de clasificación

Entrenamiento de modelos baseline y análisis en UI de MLflow

MLflow Model Registry: registro y uso de modelos

Registro de modelos con mlflow.client

Testing de modelo desde MLflow con datos de prueba

¿Para qué sirve el tracking de modelos en MLOps?

Orquestación de pipelines de machine learning

Tasks con Prefect

Flows con Prefect

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

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

Flow de modelo de clasificación de tickets: ejecución de tasks

¿Cómo se integra la orquestación en MLOps?

Despliegue de modelo de machine learning

Despligue con Docker y FastAPI: configuración y requerimientos

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

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

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

Despliegue y pruebas de modelo de machine learning en localhost

Despliegue y pruebas de modelo de machine learning en la nube

¿Qué hacer con el modelo desplegado?

Monitoreo de modelo de machine learning en producción

¿Cómo monitorear modelos de machine learning en producción?

Entrenamiento de modelo baseline

Preparar datos para crear reporte con Evidently

Análisis de la calidad de los datos con Evidently

Creación de reportes con Grafana

¿Cómo mejorar tus procesos de MLOps?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Si ya tienes una cuenta,

Recursos

Aportes 2

Preguntas 1

Ordenar por:

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

Enzo Gonzales

hace 3 meses

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.

Kevin Pérez García

hace 18 días

Pésima práctica guardar metadatos como parámetros.