Latih dan Catat ke Registry
Jalankan pelatihan dan daftarkan model yang dihasilkan.
Latih dan Catat ke Registry adalah pelajaran MLOps Academy 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 MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Satu Eksekusi, Terekam Sepenuhnya
Pelajaran ini menghubungkan pelatihan dan registri. Anda melatih model, lalu mengirimkannya ke MLflow Model Registry agar menjadi artefak berversi yang dapat digunakan kembali. 🚀
Mulai Eksekusi Pelacakan
Bungkus proses pelatihan Anda dengan mlflow.start_run(). Semua hal yang Anda catat di dalam blok tersebut termasuk dalam satu eksekusi, dengan ID dan stempel waktunya sendiri.
import mlflow
with mlflow.start_run() as run:
# train and log here
print(run.info.run_id)Latih Model Anda
Di dalam eksekusi, latih estimator seperti biasa. Kode pelatihan tidak berubah hanya karena MLflow sedang mengawasinya.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)Catat Parameter
Catat pilihan yang Anda buat dengan log_param. Berbulan-bulan kemudian, inilah cara Anda mengingat pengaturan persis yang menghasilkan model ini.
mlflow.log_param("n_estimators", 100)
mlflow.log_param("max_depth", None)Catat Metrik
Catat seberapa baik kinerjanya dengan log_metric. Metrik adalah angka yang akan Anda gunakan untuk mengurutkan dan membandingkan eksekusi nanti.
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)Catat Artefak Model
Gunakan mlflow.sklearn.log_model untuk menyimpan model yang telah dilatih ke dalam eksekusi. MLflow menyimpan bobot, varian, dan lingkungan secara bersama-sama.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
)Daftarkan Saat Mencatat
Berikan registered_model_name, lalu MLflow akan mencatat model dan mendaftarkan versi baru dalam satu langkah. Inilah cara yang paling rapi.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
registered_model_name="churn-classifier",
)Daftarkan Setelahnya
Sudah mencatat model? Panggil register_model dengan URI eksekusi untuk menambahkannya ke registri tanpa melatih ulang apa pun.
uri = "runs:/<run_id>/model"
mlflow.register_model(uri, "churn-classifier")Versi Bertambah Otomatis
Daftarkan nama yang sama lagi dan Anda akan mendapatkan versi 2, lalu 3, dan seterusnya. Registri menyimpan setiap versi tanpa pernah menimpa versi lama.
Pemeriksaan Singkat
Anda mencatat model dengan nama yang sudah ada. Apa yang terjadi?
Eksekusi Dikonfirmasi
Setelah blok selesai, eksekusi ditandai FINISHED. Parameter, metrik, dan versi model terdaftar Anda kini terhubung secara permanen.
Temukan di Antarmuka
Buka antarmuka MLflow dan eksekusi Anda akan muncul di bawah eksperimennya, dengan versi model baru tercantum di tab Model. Tidak ada yang hilang.
Ringkasan: Latih, Catat, Daftarkan
Anda melatih di dalam eksekusi, mencatat parameter dan metrik, menyimpan model, serta mendaftarkan sebuah versi. Latih, catat, daftarkan: itulah awal dari pipeline nyata. ✅
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Latih dan Catat ke Registry” gratis?
Ya — teks lengkap “Latih dan Catat ke Registry” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Latih dan Catat ke Registry”?
Jalankan pelatihan dan daftarkan model yang dihasilkan. Kamu berlatih MLOps Academy 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 MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy 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 “Latih dan Catat ke Registry” 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 MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy 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
- Latih dan Catat ke Registry
- Naikkan Model Terbaik ke Produksi
- Sajikan Model Produksi
- Telusuri Perjalanan Pulang-Pergi Prediksi