Learn AI with Python · Leçon

Suivi des expériences avec MLflow

mlflow.start_run(), log_param(), log_metric(), log_artifact(), consultation de l’interface MLflow.

Suivi des expériences avec MLflow est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.

Pourquoi suivre les expériences ?

Le travail en ML implique des dizaines de runs avec des paramètres et des données différents. Sans suivi, vous ne savez plus quels réglages ont produit votre meilleur model. MLflow enregistre les paramètres, les métriques et les artefacts de chaque run afin que les résultats soient reproductibles et comparables.

Installation et importation

MLflow s'installe et s'importe avec une seule commande pip.

# pip install mlflow
import mlflow
import mlflow.sklearn

Le contexte start_run

mlflow.start_run() ouvre un run en tant que gestionnaire de contexte. Tout ce qui est journalisé dans le bloc with appartient à ce run, qui se ferme automatiquement à la sortie du bloc.

with mlflow.start_run():
    # log params, metrics, model here
    pass

Journalisation des paramètres

log_param enregistre un hyperparamètre unique, c'est-à-dire une entrée que vous avez choisie. Journalisez tout ce qui définit le run afin de pouvoir le reproduire ultérieurement.

with mlflow.start_run():
    mlflow.log_param("n_estimators", 200)
    mlflow.log_param("max_depth", 8)

Journalisation des métriques

log_metric enregistre un résultat numérique, comme la précision ou la perte, c'est-à-dire une sortie. Les métriques peuvent être journalisées plusieurs fois avec un step pour suivre les courbes d'entraînement.

mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)

Paramètres et métriques

Paramètres : entrées que vous définissez, comme le taux d'apprentissage ou la profondeur. Ils sont journalisés une seule fois.
Métriques : sorties que vous mesurez, comme la précision ou le RMSE. Elles peuvent changer au fil des étapes.

Les garder séparés permet à MLflow de comparer les runs dans des tableaux et des graphiques.

Journalisation des artefacts

log_artifact stocke n'importe quel fichier avec le run : graphiques, matrices de confusion, échantillons de données et fichiers de configuration. Les artefacts permettent d'associer des éléments justificatifs à un run.

mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")

Journalisation du model

mlflow.sklearn.log_model sérialise un model scikit-learn entraîné sous forme d'artefact, avec ses dépendances, afin de pouvoir le recharger ou le déployer ultérieurement. Chaque framework possède son propre format (mlflow.keras, mlflow.pytorch).

mlflow.sklearn.log_model(model, artifact_path="model")

Le run_id

Chaque run reçoit un run_id unique. Vous l'utilisez pour référencer, recharger ou comparer un run précis par programmation.

with mlflow.start_run() as run:
    mlflow.log_metric("accuracy", 0.93)
    print("Run ID:", run.info.run_id)

Un run complet

Rassemblons le tout : ouvrez un run, journalisez les paramètres, entraînez le model, journalisez les métriques et le model, le tout dans un même bloc.

with mlflow.start_run():
    mlflow.log_param("max_depth", 8)
    model.fit(X_train, y_train)
    acc = model.score(X_test, y_test)
    mlflow.log_metric("accuracy", acc)
    mlflow.sklearn.log_model(model, "model")

Affichage des expériences

Exécutez mlflow ui dans votre terminal pour lancer un tableau de bord web local (par défaut, http://localhost:5000), où vous pouvez parcourir les runs, trier selon une métrique et comparer les paramètres côte à côte.

# terminal
mlflow ui

Vérification rapide

Évaluez vos connaissances du suivi avec MLflow.

Récapitulatif

Vous avez suivi vos expériences avec MLflow : start_run() ouvre un run, log_param/log_metric enregistrent les entrées et les sorties, log_artifact stocke les fichiers et mlflow.sklearn.log_model enregistre le model. Chaque run possède un run_id, et mlflow ui affiche toutes les informations. Ensuite : le registre des modèles et la gestion des versions.

Questions Fréquemment Posées

La leçon « Suivi des expériences avec MLflow » est-elle gratuite ?

Oui — le texte complet de « Suivi des expériences avec MLflow » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Suivi des expériences avec MLflow » ?

mlflow.start_run(), log_param(), log_metric(), log_artifact(), consultation de l’interface MLflow. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer Learn AI with Python ?

Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.

Combien de temps prend la leçon « Suivi des expériences avec MLflow » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?

Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

Suivi des expériences avec MLflow
Registre des modèles et gestion des versions
Créer des pipelines reproductibles d’apprentissage automatique
Surveiller les performances d’un modèle en production

← Retour à Learn AI with Python