MLflowのトレーニングコース

導入

• ソフトウェア開発のベストプラクティスを機械学習に適応させる。
• MLflow vs Kubeflow -- MLflowが優れている点は何か？

機械学習サイクルの概要

• データ準備、モデル訓練、モデル展開、モデル提供など

MLflowの機能とアーキテクチャの概要

• MLflow Tracking, MLflow Projects, および MLflow Models
• MLflowコマンドラインインターフェース（CLI）の使用
• MLflow UIのナビゲーション

MLflowの設定

• パブリッククラウドでのインストール
• オンプレミスサーバーでのインストール

開発環境の準備

• Jupyterノートブック、Python IDE、スタンドアロンスクリプトの使用

プロジェクトの準備

• データへの接続
• 予測モデルの作成
• モデルの訓練

MLflow Trackingの使用

• コードバージョン、データ、設定のログ記録
• 出力ファイルとメトリックのログ記録
• 結果の照会と比較

MLflow Projectsの実行

• YAML文法の概要
• Gitリポジトリの役割
• コードを再利用可能なパッケージにパッケージ化する
• コードを共有し、チームメンバーと協力する

MLflow Modelsでモデルの保存と提供

• 展開環境（クラウド、スタンドアロンアプリケーションなど）を選択する
• 機械学習モデルのデプロイ
• モデルの提供

MLflow Model Registryの使用

• 中央リポジトリの設定
• モデルの保存、注釈付け、発見
• モデルを協力的に管理する

他のシステムとの統合

• MLflowプラグインの使用
• サードパーティのストレージシステム、認証プロバイダー、REST APIとの統合
• Apache Sparkとの連携 -- オプション

トラブルシューティング

まとめと結論