トップ > MLflow

MLflow

MLflow: 4. Model Registry を使った実験管理

MLflow Databricks MLOps

MLflow Model Registryとは、MLflowモデルの全ライフサイクルをメンバー間で共同管理するための一元的なモデルストア、APIのセット 、および UI のこと。モデルレジストリはチームでMLモデルを共有し、実験からオンラインテスト、本番まで共同で作業し、承認…

#Databricks #Python #機械学習 #mlflow #モデルレジストリ #モデル管理 #DevOps #MLOps

MLflow: 3. Models を使った実験管理

MLflow MLOps Databricks

MLflow Modelsとは、「フレーバー」という概念を用いてMLモデルをパッケージングするためのフォーマットである。MLflow Modelsの実態は、任意のファイルと、そのモデルが使用できるいくつかの「フレーバー」を記載したファイルを含むディレクトリとして保存…

#Databricks #機械学習 #Pyrhon #DevOps #MLflow #Python #MLOps

MLflow: 2. Projects を使った実験管理

MLflow Databricks MLOps

機械学習プロジェクトには様々なライブラリの依存関係があり、実行にはビルドされた環境が必要になる。MLflow Projectsを使うことで、他のデータサイエンティストとの共有や本番環境への移行のために、MLコードを再利用可能で再現性のある形でパッケージ化す…

#Databricks #MLflow #Projects #MLOps #機械学習 #Python #conda #DevOps

MLflow: 1. Tracking を使った実験管理

MLflow Databricks MLOps

多くの機械学習プロジェクトでは、精度の向上のためパラメータや特徴量を変えて試行錯誤しながら、何度も実験を繰り返す必要がある。そのため試行回数が増加するごとにモデルの管理が難しくなり、属人化するという課題がある。そこで今回はMLflow Trackingを…

#Databricks #MLflow #Tracking #MLOps #機械学習 #Python #XGBoost