Utilisation de MLflow et Databricks pour déployer des modèles de ML en production

Aperçu

Explorez MLflow et Databricks pour le déploiement de modèles de ML en production. Apprenez la gestion de bout en bout, le suivi des modèles et les stratégies de déploiement, en plus du Feature Store et de l'AutoML de Databricks.

Programme

- **Introduction à MLflow et Databricks** -- Aperçu de MLflow -- Introduction à la plateforme Databricks -- Comprendre le workflow ML en production - **MLflow pour la gestion des modèles** -- Installation et configuration de MLflow -- Suivi des expériences et des exécutions -- Gestion des modèles ML avec le registre MLflow - **Stratégies de déploiement de modèles** -- Déploiement par lot vs. en temps réel -- Déploiement de modèles avec MLflow -- Gestion des versions et des retours en arrière des modèles - **Intégration de Databricks avec MLflow** -- Configuration de MLflow avec Databricks -- Enregistrement et suivi des expériences dans Databricks -- Utilisation des notebooks Databricks pour les expériences ML - **Feature Store de Databricks** -- Introduction aux stores de fonctionnalités -- Gestion des fonctionnalités dans Databricks -- Réutilisation et partage des fonctionnalités - **AutoML dans Databricks** -- Vue d'ensemble de l'AutoML -- Utiliser Databricks AutoML pour l’entraînement automatisé de modèles -- Évaluation et déploiement de modèles AutoML - **Application pratique et études de cas** -- Étude de cas : déploiement de modèle de bout en bout -- Meilleures pratiques pour le déploiement de ML -- Défis et résolution de problèmes en production - **Conclusion et tendances futures** -- Les tendances futures dans le déploiement de modèles ML -- Fonctionnalités avancées dans Databricks et MLflow -- Stratégies d'apprentissage et d'amélioration continues

Enseigné par

Étiquettes