0Pricing
Learn AI with Python · Pelajaran

Pelacakan Eksperimen dengan MLflow

mlflow.start_run(), log_param(), log_metric(), log_artifact(), melihat antarmuka MLflow.

Pelacakan Eksperimen dengan MLflow adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Mengapa Eksperimen Perlu Dilacak?

Pekerjaan pembelajaran mesin melibatkan puluhan eksekusi dengan parameter dan data yang berbeda. Tanpa pelacakan, Anda akan kehilangan informasi tentang pengaturan yang menghasilkan model terbaik. MLflow mencatat parameter, metrik, dan artefak untuk setiap eksekusi sehingga hasilnya dapat direproduksi dan dibandingkan.

Memasang dan Mengimpor

MLflow dapat dipasang dan diimpor dengan satu perintah.

# pip install mlflow
import mlflow
import mlflow.sklearn

Konteks start_run

mlflow.start_run() membuka sebuah eksekusi sebagai pengelola konteks. Semua hal yang dicatat di dalam blok with menjadi bagian dari eksekusi tersebut, dan eksekusinya ditutup otomatis saat keluar.

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

Mencatat Parameter

log_param mencatat satu hiperparameter (masukan yang Anda pilih). Catat semua hal yang menentukan eksekusi agar Anda dapat mereproduksinya nanti.

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

Mencatat Metrik

log_metric mencatat hasil numerik seperti akurasi atau kerugian (sebuah keluaran). Metrik dapat dicatat berulang kali dengan step untuk melacak kurva pelatihan.

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

Parameter vs Metrik

  • Parameter: masukan yang Anda tetapkan (laju pembelajaran, kedalaman). Dicatat sekali.
  • Metrik: keluaran yang Anda ukur (akurasi, RMSE). Dapat berubah pada setiap langkah.

Memisahkan keduanya memungkinkan MLflow membandingkan eksekusi dalam tabel dan diagram.

Mencatat Artefak

log_artifact menyimpan berkas apa pun bersama eksekusi: grafik, matriks kebingungan, sampel data, dan berkas konfigurasi. Artefak memungkinkan Anda melampirkan bukti pendukung ke suatu eksekusi.

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

Mencatat Model

mlflow.sklearn.log_model menserialisasi model scikit-learn yang telah dilatih sebagai artefak, lengkap dengan dependensinya agar dapat dimuat ulang atau diterapkan nanti. Setiap kerangka kerja memiliki ragamnya sendiri (mlflow.keras, mlflow.pytorch).

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

ID Eksekusi

Setiap eksekusi mendapatkan ID eksekusi yang unik. Anda menggunakannya untuk merujuk, memuat ulang, atau membandingkan eksekusi tertentu secara terprogram.

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

Eksekusi Lengkap

Menyatukan semuanya: buka eksekusi, catat parameter, latih model, catat metrik, dan catat model, semuanya dalam satu blok.

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")

Melihat Eksperimen

Jalankan mlflow ui di terminal Anda untuk membuka dasbor web lokal (http://localhost:5000 sebagai bawaan) yang memungkinkan Anda menelusuri eksekusi, mengurutkannya berdasarkan metrik, dan membandingkan parameter secara berdampingan.

# terminal
mlflow ui

Uji Singkat

Uji pengetahuan Anda tentang pelacakan MLflow.

Rangkuman

Anda melacak eksperimen dengan MLflow: start_run() membuka eksekusi, log_param/log_metric mencatat masukan dan keluaran, log_artifact menyimpan berkas, dan mlflow.sklearn.log_model menyimpan model. Setiap eksekusi memiliki ID eksekusi, dan mlflow ui menampilkan semuanya. Berikutnya: registri model dan pembuatan versi.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Pelacakan Eksperimen dengan MLflow” gratis?

Ya — teks lengkap “Pelacakan Eksperimen dengan MLflow” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Pelacakan Eksperimen dengan MLflow”?

mlflow.start_run(), log_param(), log_metric(), log_artifact(), melihat antarmuka MLflow. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Pelacakan Eksperimen dengan MLflow” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Pelacakan Eksperimen dengan MLflow
  2. Registri dan Penerapan Versi Model
  3. Membangun Pipeline Pembelajaran Mesin yang Dapat Direproduksi
  4. Memantau Kinerja Model dalam Produksi
← Kembali ke Learn AI with Python