MLflow in Action - Master the art of MLOps using MLflow tool

MLflow Thực Chiến - Tinh thông MLOps với công cụ MLflow

Hướng dẫn chuyên sâu để khai thác tối đa MLflow, tối ưu hóa quy trình MLOps. Tinh gọn luồng công việc MLOps bằng MLflow

4.6

(1,045 đánh giá)

8,837 học viên

Giảng viên

J Garg - Real Time Learning

Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao

50.000đ 349.000đ -86%

✓ Xem giỏ hàng và thanh toán

Bao gồm phụ đề tiếng Việt, tiếng Anh

9.0 giờ video

87 bài giảng

3 bài quiz

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 28/04/2026

#Machine Learning #Mlflow #Mlops #Python

Bạn sẽ học được gì

Khám phá kiến thức nền tảng về MLOps và cách nó giải quyết những thách thức trong vòng đời Machine Learning truyền thống.

Hiểu sâu về MLflow và vai trò của 4 thành phần chính trong việc quản lý vận hành Machine Learning (MLOps) toàn diện.

Học cách theo dõi thí nghiệm, đóng gói mã, đăng ký và tái tạo mô hình hiệu quả trong MLOps bằng MLflow.

Nhiều chức năng ghi nhật ký của MLflow để theo dõi và ghi chép thí nghiệm, lần chạy, artifacts, tham số, mã nguồn, chỉ số hiệu quả...

MLflow Tracking - Ghi nhật ký, tổ chức và so sánh các thí nghiệm Machine Learning dễ dàng.

MLflow Model - Đóng gói mô hình hiệu quả thành các "flavor" khác nhau, giúp triển khai và tích hợp vào hệ thống sản xuất thuận lợi.

MLflow Project - Tạo luồng công việc Machine Learning có cấu trúc, dễ tái tạo và dễ chia sẻ.

MLflow Registry - Quản lý mô hình hiệu quả, theo dõi phiên bản để duy trì chất lượng và hiệu suất mô hình theo thời gian.

Dự án ML hoàn chỉnh từ đầu đến cuối minh họa tích hợp MLflow với AWS cloud.

Xây dựng, Huấn luyện, Kiểm thử và Triển khai mô hình Machine Learning trên AWS cloud bằng AWS Sagemaker và MLflow.

Yêu cầu

Kiến thức cơ bản về Machine Learning

Kiến thức cơ bản về Python

Đối tượng phù hợp

Nhà Khoa học Dữ liệu

Kỹ sư Machine Learning

Kỹ sư MLOps

Kỹ sư Vận hành

Nội dung khóa học

16 phần • 87 bài giảng

1 MLOps là gì

2 Vòng đời Machine Learning truyền thống

3 Thách thức trong vòng đời ML truyền thống - Phần 1

4 Thách thức trong vòng đời ML truyền thống - Phần 2

5 Cách MLOps giải quyết các thách thức

1 MLflow là gì

2 Các thành phần của MLflow

3 Thiết lập MLflow

1 Mô hình hồi quy Sklearn

2 Mô hình hồi quy Sklearn với MLflow

3 Thư mục MLruns

4 Tham quan giao diện MLflow UI

1 Thiết lập và Lấy Tracking Uri - Phần 1

2 Thiết lập và Lấy Tracking Uri - Phần 2

3 Hàm tạo thí nghiệm MLflow

4 Hàm thiết lập thí nghiệm MLflow

5 Hàm bắt đầu và Kết thúc lần chạy - Phần 1

6 Hàm bắt đầu và Kết thúc lần chạy - Phần 2

7 Hàm lấy lần chạy đang hoạt động & lần chạy cuối

8 Hàm ghi nhiều tham số & chỉ số

9 Hàm ghi nhiều artifacts

10 Hàm thiết lập tags

1 Khởi chạy nhiều Lần chạy trong một chương trình

2 Khởi chạy nhiều Thí nghiệm trong một chương trình

1 Giới thiệu về Autologging

2 Triển khai hàm autolog()

3 Triển khai hàm autolog đặc thù thư viện

1 MLflow Tracking server là gì

2 Triển khai Tracking Server trong MLflow

3 Các kịch bản Tracking server cục bộ

4 Các kịch bản Tracking server từ xa

1 Giới thiệu thành phần Model

2 Các thành phần của Model

3 Định dạng lưu trữ

4 Giải thích file MLmodel

5 Model Signatures là gì

6 Signature Enforcement trong MLflow là gì

7 Ghi Signatures & Ví dụ đầu vào trong MLflow

8 Giải thích Model API (save_model, log_model)

1 Tùy chỉnh mô hình trong MLflow là gì

2 Triển khai mô hình Python tùy chỉnh - Phần 1

3 Triển khai mô hình Python tùy chỉnh - Phần 2

4 Triển khai mô hình Python tùy chỉnh - Phần 3

5 Tải mô hình Python tùy chỉnh

6 Custom Flavors trong MLflow

1 Giới thiệu đánh giá mô hình trong MLflow

2 Các tham số của hàm evaluate

3 Triển khai hàm evaluate()

4 So sánh các Lần chạy của một Thí nghiệm

5 Tạo chỉ số và artifacts tùy chỉnh

6 Thiết lập ngưỡng kiểm định trong evaluate()

1 Giới thiệu MLflow Registry

2 Đăng ký mô hình từ giao diện

3 Các giai đoạn của mô hình đã đăng ký

4 Đăng ký mô hình bằng hàm log_model()

5 Đăng ký mô hình bằng hàm register_model()

6 Đăng ký mô hình bên ngoài & không được hỗ trợ

1 Giới thiệu về MLflow Projects

2 Viết file MLproject

3 Môi trường trong file MLproject

4 Ví dụ môi trường Docker

5 Entry points trong file MLproject

6 Chạy file MLproject

7 Các tùy chọn lệnh Run

8 Chạy MLflow Project qua CLI và API

1 Giới thiệu MLflow Client

2 Các hàm quản lý thí nghiệm trong MLflow client

3 Hàm search_experiment trong MLflow Client

4 Các hàm quản lý lần chạy trong MLflow client - Phần 1

5 Các hàm quản lý lần chạy trong MLflow client - Phần 2

6 Các hàm quản lý phiên bản mô hình trong MLflow client - Phần 1

7 Các hàm quản lý phiên bản mô hình trong MLflow client - Phần 2

1 Các lệnh MLflow CLI - Bộ 1

2 Các lệnh MLflow CLI - Bộ 2

1 Giới thiệu và kiến trúc Dự án

2 Thiết lập AWS - Tạo user, kho Codecommit, bucket S3

3 Thiết lập AWS - Máy chủ MLflow trên EC2

4 Tiền xử lý Dữ liệu

5 Mã Huấn luyện Mô hình

6 Viết file MLproject

7 Chạy dự án trên hệ thống cục bộ

8 Thiết lập AWS Sagemaker

9 Huấn luyện Mô hình trên AWS Sagemaker

10 So sánh và Đánh giá Mô hình

11 Triển khai Mô hình trên AWS Sagemaker

12 Suy luận Mô hình

1 Phần thưởng đặc biệt

Giới thiệu khóa học

Why MLOps ?

MLOps is the backbone of modern Machine learning workflows. It solves the pressing problem of operationalizing the ML models in production systems. Pushing the ML models to production which could traditionally take months can now be operationalized in few days using MLOps tools.

As per the tech talks in market, 2024 is the year of MLOps and would become the mandate skill for Enterprise ML projects.

Why MLflow tool for MLOps ?

MLflow is the ultimate tool for MLOps because it streamlines the entire Machine learning lifecycle. It allows you to efficiently track experiments, package code, register versions and deploy models, all within one unified platform. Unlike other tools, MLflow simplifies the process, enabling you to transition from development to deployment seamlessly.

MLflow's popularity is evident from the thousands of organizations, ranging from startups to Fortune 500 companies, that have integrated MLflow into their MLOps workflows.

_____________________________________________________________________________________________________

What's included in this MLflow course ?

Understand MLOps basics, limitations of traditional ML lifecycles, how MLOps overcomes those limitations.
Complete MLflow concepts explained from Scratch to Real-Time implementation.
Learn in practical the 4 core components of MLflow - Tracking, Model, Project, and Registry.
Various logging functions in MLflow for precise tracking and recording of experiments, runs, artifacts, parameters, code, metrics, and more.
Learn to handle customized models using Python in MLflow.
Learn to interact with MLflow using MLflow library, UI, MLflow Client and CLI commands.
Learn Best practices and Optimization techniques to follow in Real-Time MLOps/MLflow Projects.

______________________________________________________________________________________________________

**Exclusive** - A complete end-to-end ML project demonstrating MLflow's integration with AWS cloud. Build, Train, Test, Deploy a Machine learning model in AWS cloud using AWS Sagemaker, Codecommit, Ec2, ECR, AWS S3, IAM etc services while leveraging MLflow tracking capabilities.

After completing this course, you can start working on any MLOps/MLflow project with full confidence.

Add-Ons

- Questions and Queries will be answered very quickly.

- Codes and references used in lectures are attached in the course for your convenience.