Trenowanie i rejestrowanie modelu
Uruchom trenowanie i zarejestruj wynikowy model
Trenowanie i rejestrowanie modelu to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. ✅
Często zadawane pytania
Czy lekcja „Trenowanie i rejestrowanie modelu” jest bezpłatna?
Tak — pełny tekst „Trenowanie i rejestrowanie modelu” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Trenowanie i rejestrowanie modelu”?
Uruchom trenowanie i zarejestruj wynikowy model Ćwiczysz MLOps Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć MLOps Academy?
Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Trenowanie i rejestrowanie modelu”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji MLOps Academy?
Tak. Każda lekcja MLOps Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Trenowanie i rejestrowanie modelu
- Promowanie najlepszego modelu do Production
- Udostępnianie modelu Production
- Śledzenie pełnego cyklu predykcji