Registrar parámetros, métricas y artefactos
Capture hiperparámetros, puntuaciones y archivos en cada ejecución.
Registrar parámetros, métricas y artefactos es una lección gratuita de MLOps Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de MLOps Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de MLOps Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
Three Things to Log
Inside a run you capture three kinds of data: the parameters you chose, the metrics you measured, and the files you produced.
Log a Parameter
A parameter is an input you picked, like learning rate or tree depth. Log it once so you always know how a run was configured.
mlflow.log_param("learning_rate", 0.01)Log Many Params at Once
Got a whole config dict? Use log_params to record every key and value in one call instead of writing them line by line.
mlflow.log_params({"max_depth": 6, "n_estimators": 200})Log a Metric
A metric is a number your model earned, like accuracy or loss. Log it so runs can be ranked and compared later.
mlflow.log_metric("accuracy", 0.92)Metrics Can Have Steps
Metrics change over training. Pass a step to log loss at each epoch, and MLflow draws a curve you can inspect in the UI.
for epoch in range(10):
mlflow.log_metric("loss", loss, step=epoch)What an Artifact Is
An artifact is any file a run produces: a saved model, a plot, a confusion matrix image, or a CSV of predictions.
Log an Artifact
Use log_artifact to attach a local file to the run. MLflow copies it to the artifact store so it stays tied to that experiment.
mlflow.log_artifact("confusion_matrix.png")Params vs Metrics
The rule of thumb: a param is an input you control, a metric is an output you measure. Logging both makes runs fully comparable.
Tag Your Runs
Add a tag to label a run with free-form notes, like the data version or who triggered it. Tags make later searching far easier.
mlflow.set_tag("data_version", "v3")It All Lives in the Run
Every param, metric, and artifact attaches to the active run. Close the run and that snapshot is frozen forever for you to revisit.
Log Early, Log Often
Cheap to log, painful to lose. Capture everything that might matter, because you can never reconstruct a run you failed to record.
Quick Check
Let us check that you can tell params from metrics.
Recap
You logged params, metrics with steps, artifacts, and tags. A run now holds its full story, ready to compare against the rest. ✅
Preguntas frecuentes
¿La lección «Registrar parámetros, métricas y artefactos» es gratis?
Sí — el texto completo de «Registrar parámetros, métricas y artefactos» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de MLOps Academy, actualiza a CoddyKit PRO. El curso de MLOps Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Registrar parámetros, métricas y artefactos»?
Capture hiperparámetros, puntuaciones y archivos en cada ejecución. Practicas MLOps Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar MLOps Academy?
No se requiere experiencia previa. MLOps Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Registrar parámetros, métricas y artefactos»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de MLOps Academy?
Sí. Cada lección de MLOps Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Instalar MLflow y empezar a registrar
- Registrar parámetros, métricas y artefactos
- Comparar ejecuciones en la interfaz de MLflow
- Registrar automáticamente con una línea de código