隨著MLOps領域的擴展,數據從業者看到需要一個統一的、開放機器學習的平台,在那裏他們可以火車,測試和部署與盡可能少的摩擦模型,連同工具如MLflow簡化毫升生命周期,使過程更嚴格的和可再生的。Beplay体育安卓版本

使用一個真實的機器學習用例中,您將看到如何MLflow簡化和簡化端到端毫升工作流。與MLflow磚,可以使用MLflow跟蹤服務器自動跟蹤和每個模型訓練貫穿數據目錄。這個演示還表明,MLflow項目整齊包毫升模型和訓練環境到一個通用的項目格式,以及如何MLflow模型注冊牧羊人毫升模型通過測試和舉辦環境投入生產,直接從內部數據磚。