Learn AI with Python · Aula

Acompanhamento de experimentos com MLflow

mlflow.start_run(), log_param(), log_metric(), log_artifact() e visualização da interface do MLflow.

Acompanhamento de experimentos com MLflow é uma aula grátis de Learn AI with Python no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.

Por que acompanhar as experimentações?

O trabalho com ML envolve dezenas de execuções com parâmetros e dados diferentes. Sem acompanhamento, você perde de vista quais configurações produziram seu melhor modelo. O MLflow registra parâmetros, métricas e artefatos de cada execução, para que os resultados sejam reproduzíveis e comparáveis.

Instalação e importação

O MLflow requer apenas uma instalação com pip e uma importação.

# pip install mlflow
import mlflow
import mlflow.sklearn

O contexto de start_run

mlflow.start_run() abre uma execução como gerenciador de contexto. Tudo o que for registrado dentro do bloco with pertence a essa execução, que é encerrada automaticamente ao sair do bloco.

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

Registrando parâmetros

log_param registra um único hiperparâmetro (uma entrada escolhida por você). Registre tudo que define a execução para poder reproduzi-la mais tarde.

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

Registrando métricas

log_metric registra um resultado numérico, como a acurácia ou a perda (uma saída). As métricas podem ser registradas repetidamente com uma step para acompanhar as curvas de treinamento.

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

Parâmetros versus métricas

Parâmetros: entradas definidas por você (taxa de aprendizado, profundidade). Registrados uma vez.
Métricas: saídas que você mede (acurácia, RMSE). Podem mudar ao longo das etapas.

Mantê-los separados permite que o MLflow compare as execuções em tabelas e gráficos.

Registrando artefatos

log_artifact armazena qualquer arquivo junto da execução: gráficos, matrizes de confusão, amostras de dados e arquivos de configuração. Os artefatos permitem anexar evidências de apoio a uma execução.

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

Registrando o modelo

mlflow.sklearn.log_model serializa um modelo treinado do scikit-learn como um artefato, empacotado com suas dependências para que possa ser recarregado ou implantado mais tarde. Cada estrutura tem sua própria variante (mlflow.keras, mlflow.pytorch).

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

O identificador da execução

Cada execução recebe um identificador de execução exclusivo. Você o utiliza para fazer referência a uma execução específica programaticamente, recarregá-la ou compará-la.

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

Uma execução completa

Juntando tudo: abra uma execução, registre os parâmetros, treine, registre as métricas e registre o modelo, tudo em um único bloco.

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")

Visualizando experimentações

Execute mlflow ui no terminal para iniciar um painel web local (por padrão, http://localhost:5000), no qual você pode consultar execuções, ordenar por métrica e comparar parâmetros lado a lado.

# terminal
mlflow ui

Verificação rápida

Teste seus conhecimentos sobre o acompanhamento de experimentações com MLflow.

Recapitulação

Você acompanhou experimentações com o MLflow: start_run() abre uma execução, log_param/log_metric registram entradas e saídas, log_artifact armazena arquivos e mlflow.sklearn.log_model salva o modelo. Cada execução tem um identificador de execução, e mlflow ui exibe tudo. Próximo tema: o registro e o versionamento de modelos.

Perguntas Frequentes

A aula “Acompanhamento de experimentos com MLflow” é grátis?

Sim — o texto completo de “Acompanhamento de experimentos com MLflow” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.

O que vou aprender em “Acompanhamento de experimentos com MLflow”?

mlflow.start_run(), log_param(), log_metric(), log_artifact() e visualização da interface do MLflow. Você pratica Learn AI with Python com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar Learn AI with Python?

Nenhuma experiência prévia é necessária. Learn AI with Python no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.

Quanto tempo leva a aula “Acompanhamento de experimentos com MLflow”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de Learn AI with Python?

Sim. Cada aula de Learn AI with Python inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

Acompanhamento de experimentos com MLflow
Registro e versionamento de modelos
Criando pipelines reproduzíveis de aprendizado de máquina
Monitoramento do desempenho de modelos em produção

← Voltar para Learn AI with Python