MLOps Academy · درس

تثبيت MLflow وبدء التتبع

شغّلوا خادم التتبع ووجّهوا التعليمات البرمجية إليه.

تثبيت MLflow وبدء التتبع درس مجاني في MLOps Academy على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في MLOps Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة MLOps Academy 4 دروس في المجموع.

بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.

Why Track at All

You run dozens of experiments and forget which settings gave the best score. MLflow records every run so no result is ever lost again.

Install It

MLflow is just a Python package. One pip install gives you the library, a tracking API, and a built-in web UI to browse runs.

pip install mlflow

The Tracking Server

The tracking server is where runs are stored. Start one locally and it serves an API plus a dashboard on port 5000.

mlflow server --host 127.0.0.1 --port 5000

Point Your Code At It

Tell MLflow where the server lives with set_tracking_uri. After this, every run you log flows to that server.

import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:5000")

What a Run Is

A run is one execution of your training code. It bundles the parameters you chose, the metrics you got, and any files you saved.

Start a Run

Wrap your training in start_run. MLflow opens a run, gives it a unique ID, and closes it cleanly when the block ends.

with mlflow.start_run():
    train_model()

Experiments Group Runs

An experiment is a named folder for related runs. Set one so all your churn-model attempts live together instead of scattered.

mlflow.set_experiment("churn-model")

Where Runs Are Stored

Behind the scenes MLflow writes run metadata to a backend store, like a SQLite or Postgres database, so it survives restarts.

Local Files Mode

No server yet? MLflow falls back to a local mlruns folder. Great for quick tests, but a shared server is better for teams.

Open the UI

Browse everything you logged in the MLflow UI. Just visit the server URL in a browser to see your runs as a sortable table.

Tracking Is Step One

Tracking is the foundation of MLOps. Once every run is captured, you can compare, reproduce, and promote models with confidence.

Quick Check

Let us check how you connect your code to MLflow.

Recap

You installed MLflow, started a tracking server, pointed your code at it, and opened a run. Every experiment now has a home. ✅

الأسئلة الشائعة

هل درس «تثبيت MLflow وبدء التتبع» مجاني؟

نعم — نص درس «تثبيت MLflow وبدء التتبع» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة MLOps Academy، انتقل إلى CoddyKit PRO. تتضمن دورة MLOps Academy 4 دروس في المجموع.

ماذا ستتعلم في «تثبيت MLflow وبدء التتبع»؟

شغّلوا خادم التتبع ووجّهوا التعليمات البرمجية إليه. تتمرن على MLOps Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ MLOps Academy؟

لا تُشترط خبرة سابقة. MLOps Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.

كم من الوقت يستغرق درس «تثبيت MLflow وبدء التتبع»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس MLOps Academy هذا؟

نعم. كل درس في MLOps Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

تثبيت MLflow وبدء التتبع
تسجيل المعلمات والمقاييس والنتائج
مقارنة عمليات التشغيل في واجهة MLflow
التسجيل التلقائي بسطر واحد من التعليمات البرمجية

← العودة إلى MLOps Academy