Mulai dengan eksperimen MLflow
Kumpulan notebook ini menunjukkan bagaimana Anda bisa memulai dan menjalankan eksperimen MLflow.
Komponen MLflow
MLflow adalah platform sumber terbuka untuk mengelola siklus hidup pembelajaran mesin ujung-ke-ujung. MLflow memiliki tiga komponen utama:
- Pelacakan
- Model
- Proyek
Komponen Pelacakan MLflow memungkinkan Anda mencatat dan mengkueri sesi pelatihan model mesin (berjalan) menggunakan API berikut:
Eksekusi MLflow adalah kumpulan parameter, metrik, tag, dan artefak yang terkait dengan proses pelatihan model pembelajaran mesin.
Apa itu eksperimen dalam MLflow?
Eksperimen adalah unit primer organisasi di MLflow; semua eksekusi MLflow merupakan eksperimen. Eksperimen memungkinkan Anda memvisualisasikan, mencari, dan membandingkan eksekusi, serta mengunduh artefak atau metadata eksekusi untuk analisis di alat lain. Eksperimen dipertahankan di server pelacakan MLflow yang dihosting Azure Databricks.
Eksperimen terletak di pohon file ruang kerja. Anda mengelola eksperimen menggunakan alat yang sama dengan yang digunakan untuk mengelola objek ruang kerja lain seperti folder, buku catatan, dan pustaka.
Buku catatan contoh MLflow
Notebook berikut menunjukkan cara membuat dan masuk ke eksekusi MLflow menggunakan API pelacakan MLflow, serta cara menggunakan antarmuka pengguna eksperimen untuk melihat eksekusi. Buku catatan ini tersedia di Python, Scala, dan R.
Buku catatan Python dan R menggunakan eksperimen buku catatan. Buku catatan Scala membuat eksperimen di folder Shared.
Catatan
Dengan Databricks Runtime 10.4 LTS ML ke atas, Databricks Autologging diaktifkan secara default untuk notebook Python.