MLflow ile Deney Takibi
mlflow.start_run(), log_param(), log_metric(), log_artifact(), MLflow arayüzünü görüntüleme.
MLflow ile Deney Takibi, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
Deneyler Neden İzlenir?
Makine öğrenimi çalışmaları, farklı parametreler ve verilerle onlarca run anlamına gelir. İzleme olmadan, en iyi modelinizi hangi ayarların ürettiğini kaybedersiniz. MLflow, sonuçların yeniden üretilebilir ve karşılaştırılabilir olması için her run'ın parametrelerini, metriklerini ve artefaktlarını kaydeder.
Kurulum ve İçe Aktarma
MLflow, tek bir pip kurulumu ve içe aktarmayla kullanılabilir.
# pip install mlflow
import mlflow
import mlflow.sklearnstart_run Bağlamı
mlflow.start_run(), bir bağlam yöneticisi olarak bir run açar. with bloğunun içinde günlüğe kaydedilen her şey bu run'a aittir ve bloktan çıkıldığında run otomatik olarak kapanır.
with mlflow.start_run():
# log params, metrics, model here
passParametreleri Günlüğe Kaydetme
log_param, tek bir hiperparametreyi (seçtiğiniz bir girdiyi) kaydeder. Run'ı tanımlayan her şeyi günlüğe kaydedin; böylece daha sonra yeniden üretebilirsiniz.
with mlflow.start_run():
mlflow.log_param("n_estimators", 200)
mlflow.log_param("max_depth", 8)Metrikleri Günlüğe Kaydetme
log_metric, doğruluk veya kayıp gibi sayısal bir sonucu (bir çıktıyı) kaydeder. Eğitim eğrilerini izlemek için metrikler bir step ile tekrarlı olarak günlüğe kaydedilebilir.
mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)Parametreler ve Metrikler
- Parametreler: ayarladığınız girdiler (öğrenme oranı, derinlik). Bir kez günlüğe kaydedilir.
- Metrikler: ölçtüğünüz çıktılar (doğruluk, RMSE). Adımlar boyunca değişebilir.
Bunları ayrı tutmak, MLflow'un run'ları tablolar ve grafiklerde karşılaştırmasını sağlar.
Artefaktları Günlüğe Kaydetme
log_artifact, run ile birlikte her tür dosyayı depolar: grafikler, hata matrisleri, veri örnekleri ve yapılandırma dosyaları. Artefaktlar, destekleyici kanıtları bir run'a eklemenizi sağlar.
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")Modeli Günlüğe Kaydetme
mlflow.sklearn.log_model, eğitilmiş bir scikit-learn modelini bağımlılıklarıyla birlikte paketlenmiş bir artefakt olarak serileştirir; böylece model daha sonra yeniden yüklenebilir veya dağıtılabilir. Her çerçevenin kendi biçimi vardır (mlflow.keras, mlflow.pytorch).
mlflow.sklearn.log_model(model, artifact_path="model")run_id
Her run'a benzersiz bir run_id atanır. Belirli bir run'a program aracılığıyla başvurmak, onu yeniden yüklemek veya karşılaştırmak için run_id'yi kullanırsınız.
with mlflow.start_run() as run:
mlflow.log_metric("accuracy", 0.93)
print("Run ID:", run.info.run_id)Eksiksiz Bir Run
Hepsini bir araya getirelim: bir run açın, parametreleri günlüğe kaydedin, eğitin, metrikleri günlüğe kaydedin ve modeli tek bir blok içinde günlüğe kaydedin.
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")Deneyleri Görüntüleme
Yerel bir web panosu başlatmak için terminalinizde mlflow ui komutunu çalıştırın (varsayılan adres: http://localhost:5000). Bu panoda run'lara göz atabilir, metriğe göre sıralayabilir ve parametreleri yan yana karşılaştırabilirsiniz.
# terminal
mlflow uiKısa Sınama
MLflow izleme bilginizi sınayın.
Özet
Deneyleri MLflow ile izlediniz: start_run() bir run açar, log_param/log_metric girdileri ve çıktıları kaydeder, log_artifact dosyaları depolar ve mlflow.sklearn.log_model modeli kaydeder. Her run'ın bir run_id değeri vardır ve mlflow ui her şeyi gösterir. Sıradaki konu: model kayıt defteri ve sürümleme.
Sıkça Sorulan Sorular
“MLflow ile Deney Takibi” dersi ücretsiz mi?
Evet — “MLflow ile Deney Takibi” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“MLflow ile Deney Takibi” dersinde ne öğreneceğim?
mlflow.start_run(), log_param(), log_metric(), log_artifact(), MLflow arayüzünü görüntüleme. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.
“MLflow ile Deney Takibi” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- MLflow ile Deney Takibi
- Model Kayıt Defteri ve Sürümleme
- Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma
- Üretimde Model Performansını İzleme