MLflow installieren und Tracking starten
Starten Sie den Tracking-Server und verbinden Sie Ihren Code damit.
MLflow installieren und Tracking starten ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Warum überhaupt erfassen?
Sie führen Dutzende Experimente aus und vergessen, mit welchen Einstellungen Sie die beste Bewertung erzielt haben. MLflow zeichnet jeden Lauf auf, sodass kein Ergebnis mehr verloren geht.
Installation
MLflow ist einfach ein Python-Paket. Ein pip install stellt Ihnen die Bibliothek, eine Tracking-API und eine integrierte Weboberfläche zum Durchsuchen der Läufe bereit.
pip install mlflowDer Tracking-Server
Auf dem Tracking-Server werden Läufe gespeichert. Starten Sie einen lokal, stellt er eine API und ein Dashboard auf Port 5000 bereit.
mlflow server --host 127.0.0.1 --port 5000Den Code damit verbinden
Geben Sie MLflow mit set_tracking_uri an, wo sich der Server befindet. Danach wird jeder von Ihnen protokollierte Lauf an diesen Server gesendet.
import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:5000")Was ist ein Lauf?
Ein Lauf ist eine einzelne Ausführung Ihres Trainingscodes. Er bündelt die von Ihnen gewählten Parameter, die erzielten Metriken und alle gespeicherten Dateien.
Einen Lauf starten
Umschließen Sie Ihr Training mit start_run. MLflow öffnet einen Lauf, weist ihm eine eindeutige ID zu und schließt ihn sauber, wenn der Block endet.
with mlflow.start_run():
train_model()Experimente gruppieren Läufe
Ein Experiment ist ein benannter Ordner für zusammengehörige Läufe. Legen Sie eines fest, damit alle Versuche mit Ihrem Churn-Modell zusammenbleiben, statt verstreut zu sein.
mlflow.set_experiment("churn-model")Wo Läufe gespeichert werden
Im Hintergrund schreibt MLflow die Metadaten der Läufe in einen Backend-Speicher, etwa eine SQLite- oder Postgres-Datenbank, damit sie auch nach einem Neustart erhalten bleiben.
Modus mit lokalen Dateien
Noch kein Server? Dann greift MLflow auf einen lokalen Ordner mlruns zurück. Das ist ideal für schnelle Tests, für Teams ist ein gemeinsam genutzter Server jedoch besser.
Die Benutzeroberfläche öffnen
Durchsuchen Sie alles, was Sie protokolliert haben, in der MLflow-Benutzeroberfläche. Rufen Sie einfach die Server-URL in einem Browser auf, um Ihre Läufe als sortierbare Tabelle zu sehen.
Tracking ist der erste Schritt
Tracking bildet die Grundlage von MLOps. Sobald jeder Lauf erfasst ist, können Sie Modelle sicher vergleichen, reproduzieren und bereitstellen.
Schnelltest
Prüfen wir, wie Sie Ihren Code mit MLflow verbinden.
Zusammenfassung
Sie haben MLflow installiert, einen Tracking-Server gestartet, Ihren Code damit verbunden und einen Lauf geöffnet. Jedes Experiment hat nun einen festen Ort. ✅
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „MLflow installieren und Tracking starten“ kostenlos?
Ja — der vollständige Text von „MLflow installieren und Tracking starten“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „MLflow installieren und Tracking starten“?
Starten Sie den Tracking-Server und verbinden Sie Ihren Code damit. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „MLflow installieren und Tracking starten“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- MLflow installieren und Tracking starten
- Parameter, Metriken und Artefakte protokollieren
- Läufe in der MLflow-Oberfläche vergleichen
- Automatisches Logging mit einer Codezeile