0Pricing
MLOps Academy · Урок

Установка MLflow и начало отслеживания

Запустите сервер отслеживания и направьте на него свой код.

«Установка MLflow и начало отслеживания» — бесплатный урок MLOps Academy на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения MLOps Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс MLOps Academy содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

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. ✅

Часто задаваемые вопросы

Урок «Установка MLflow и начало отслеживания» бесплатный?

Да — полный текст урока «Установка MLflow и начало отслеживания» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс MLOps Academy, подпишись на CoddyKit PRO. Курс MLOps Academy содержит 4 уроков всего.

Чему я научусь в уроке «Установка MLflow и начало отслеживания»?

Запустите сервер отслеживания и направьте на него свой код. Ты практикуешь MLOps Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать MLOps Academy?

Предыдущий опыт не требуется. MLOps Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.

Сколько времени занимает урок «Установка MLflow и начало отслеживания»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке MLOps Academy?

Да. Каждый урок MLOps Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

  1. Установка MLflow и начало отслеживания
  2. Журналирование параметров, метрик и артефактов
  3. Сравнение запусков в интерфейсе MLflow
  4. Автоматическое журналирование одной строкой кода
← Назад к MLOps Academy