0Pricing
MLOps Academy · Aula

Instalar o MLflow e começar a acompanhar

Inicie o servidor de acompanhamento e aponte seu código para ele.

Instalar o MLflow e começar a acompanhar é uma aula grátis de MLOps Academy 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 MLOps Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de MLOps Academy inclui 4 aulas no total.

Partes desta aula ainda não foram traduzidas e aparecem em inglês.

Why Track at All

You run dozens of experiments and forget which settings gave the best score. MLflow records every run so no result is ever lost again.

Install It

MLflow is just a Python package. One pip install gives you the library, a tracking API, and a built-in web UI to browse runs.

pip install mlflow

The Tracking Server

The tracking server is where runs are stored. Start one locally and it serves an API plus a dashboard on port 5000.

mlflow server --host 127.0.0.1 --port 5000

Point Your Code At It

Tell MLflow where the server lives with set_tracking_uri. After this, every run you log flows to that server.

import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:5000")

What a Run Is

A run is one execution of your training code. It bundles the parameters you chose, the metrics you got, and any files you saved.

Start a Run

Wrap your training in start_run. MLflow opens a run, gives it a unique ID, and closes it cleanly when the block ends.

with mlflow.start_run():
    train_model()

Experiments Group Runs

An experiment is a named folder for related runs. Set one so all your churn-model attempts live together instead of scattered.

mlflow.set_experiment("churn-model")

Where Runs Are Stored

Behind the scenes MLflow writes run metadata to a backend store, like a SQLite or Postgres database, so it survives restarts.

Local Files Mode

No server yet? MLflow falls back to a local mlruns folder. Great for quick tests, but a shared server is better for teams.

Open the UI

Browse everything you logged in the MLflow UI. Just visit the server URL in a browser to see your runs as a sortable table.

Tracking Is Step One

Tracking is the foundation of MLOps. Once every run is captured, you can compare, reproduce, and promote models with confidence.

Quick Check

Let us check how you connect your code to MLflow.

Recap

You installed MLflow, started a tracking server, pointed your code at it, and opened a run. Every experiment now has a home. ✅

Perguntas Frequentes

A aula “Instalar o MLflow e começar a acompanhar” é grátis?

Sim — o texto completo de “Instalar o MLflow e começar a acompanhar” 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 MLOps Academy, atualize para CoddyKit PRO. O curso de MLOps Academy inclui 4 aulas no total.

O que vou aprender em “Instalar o MLflow e começar a acompanhar”?

Inicie o servidor de acompanhamento e aponte seu código para ele. Você pratica MLOps Academy 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 MLOps Academy?

Nenhuma experiência prévia é necessária. MLOps Academy 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 “Instalar o MLflow e começar a acompanhar”?

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 MLOps Academy?

Sim. Cada aula de MLOps Academy 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

  1. Instalar o MLflow e começar a acompanhar
  2. Registrar parâmetros, métricas e artefatos
  3. Comparar execuções na interface do MLflow
  4. Registrar automaticamente com uma linha de código
← Voltar para MLOps Academy