Entraîner et enregistrer dans le registre
Lancez l’entraînement et enregistrez le modèle obtenu.
Entraîner et enregistrer dans le registre est une leçon MLOps Academy 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 MLOps Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours MLOps Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
One Run, Fully Captured
This lesson ties training and the registry together. You train a model, then push it into the MLflow Model Registry so it becomes a versioned, reusable artifact. 🚀
Start a Tracking Run
Wrap your training in mlflow.start_run(). Everything you log inside that block belongs to one run, with its own id and timestamp.
import mlflow
with mlflow.start_run() as run:
# train and log here
print(run.info.run_id)Train Your Model
Inside the run, fit your estimator like normal. The training code does not change just because MLflow is watching.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)Log the Parameters
Record the choices you made with log_param. Months later, this is how you remember exactly which settings produced this model.
mlflow.log_param("n_estimators", 100)
mlflow.log_param("max_depth", None)Log the Metrics
Capture how well it did with log_metric. Metrics are the numbers you will sort by when comparing runs later.
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)Log the Model Artifact
Use mlflow.sklearn.log_model to save the fitted model into the run. MLflow stores the weights, flavor, and environment together.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
)Register While Logging
Pass registered_model_name and MLflow logs the model and registers a new version in one step. This is the cleanest path.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
registered_model_name="churn-classifier",
)Register After the Fact
Already logged a model? Call register_model with the run URI to add it to the registry without retraining anything.
uri = "runs:/<run_id>/model"
mlflow.register_model(uri, "churn-classifier")Versions Auto-Increment
Register the same name again and you get version 2, then 3, and so on. The registry keeps every version, never overwriting an old one.
Quick Check
You log a model under a name that already exists. What happens?
The Run, Confirmed
After the block exits, the run is marked FINISHED. Your params, metrics, and registered model version are now permanently linked.
Find It in the UI
Open the MLflow UI and your run appears under its experiment, with the new model version listed in the Models tab. Nothing is lost.
Recap: Train, Log, Register
You trained inside a run, logged params and metrics, saved the model, and registered a version. Train, log, register: that is the start of a real pipeline. ✅
Questions Fréquemment Posées
La leçon « Entraîner et enregistrer dans le registre » est-elle gratuite ?
Oui — le texte complet de « Entraîner et enregistrer dans le registre » 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 MLOps Academy, passe à CoddyKit PRO. Le cours MLOps Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Entraîner et enregistrer dans le registre » ?
Lancez l’entraînement et enregistrez le modèle obtenu. Tu pratiques MLOps Academy 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 MLOps Academy ?
Aucune expérience préalable n'est requise. MLOps Academy 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 « Entraîner et enregistrer dans le registre » ?
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 MLOps Academy ?
Oui. Chaque leçon MLOps Academy 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
- Entraîner et enregistrer dans le registre
- Promouvoir le meilleur modèle en production
- Servir le modèle de production
- Tracer l’aller-retour d’une prédiction