Model Kayıt Defteri ve Sürümleme
Modelleri kaydetme, hazırlama (Staging/Production), model takma adları, sürüme göre yükleme.
Model Kayıt Defteri ve Sürümleme, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 2. 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.
Model Kayıt Defteri Nedir?
MLflow Model Kayıt Defteri, modelleriniz için merkezi bir depodur. Adlandırılmış modelleri, bunların sürümlerini ve yaşam döngüsü aşamalarını izler; böylece ekip, hangi modelin üretimde olduğunu ve oraya nasıl geldiğini her zaman bilir.
Sürümleme Neden Önemlidir?
Modeller sürekli yeniden eğitilir. Sürümleme, her yeniden eğitime bir numara verir; yeni bir model hatalı çalışırsa anında geri almanızı sağlar ve tam köken bilgisi için her sürümü onu üreten run'a bağlar.
Model Kaydetme
mlflow.register_model, günlüğe kaydedilmiş bir model URI'si ve ad alarak kayıt defterinde 1. sürümü (veya sonraki sürümü) oluşturur.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Günlüğe Kaydetme Sırasında Kaydetme
Modeli günlüğe kaydederken registered_model_name geçirerek doğrudan da kaydedebilirsiniz; bu işlem her run'da otomatik olarak yeni bir sürüm oluşturur.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Yaşam Döngüsü Aşamaları
Her sürüm şu aşamalardan geçer: Yok -> Hazırlama (sınama) -> Üretim (canlı) -> Arşivlendi. Aşamalar, "hangi sürüm" ile "hangisinin sunulduğu" kavramlarını birbirinden ayırır; böylece sürüm yükseltme, yeniden dağıtım yerine bir üst veri değişikliği olur.
MlflowClient
Program aracılığıyla yapılan kayıt defteri işlemleri MlflowClient üzerinden gerçekleştirilir.
from mlflow.tracking import MlflowClient
client = MlflowClient()Aşamaları Değiştirme
transition_model_version_stage bir sürümü üst aşamaya taşır. Sürümü QA için Hazırlama aşamasına, doğrulandıktan sonra da Üretim aşamasına taşıyın.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Aşamaya Göre Yükleme
Sunum kodu, sürüm numarasını sabit kodlamak yerine "Üretimde olan her şeyi" yükleyebilir; böylece yeni bir sürümün yükseltilmesi, sunulan içeriği anında günceller.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Model Takma Adları (MLflow 2.x)
MLflow 2.x, bir sürüme bağlanan @champion veya @challenger gibi değiştirilebilir adlandırılmış işaretçiler olan takma adları kullanıma sundu. Bunlar sabit aşama adlarından daha esnektir ve önerilen modern yaklaşımdır.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Takma Ada Göre Yükleme
@ söz dizimini kullanarak bir modele takma adıyla başvurabilirsiniz; böylece takma adın yeni bir sürüme yeniden atanması, tüm tüketicileri anında yeni sürüme yönlendirir.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Aşamalar ve Takma Adlar
- Aşamalar: sabit bir küme (Hazırlama/Üretim/Arşivlendi), basit yaşam döngüsü.
- Takma adlar: herhangi bir özel ad, model başına birden çok takma ad, MLflow 2.x'te önerilen yaklaşım.
Yeni projeler esneklik için takma adları tercih etmelidir.
Kısa Sınama
Model kayıt defteri bilginizi sınayın.
Özet
MLflow Model Kayıt Defteri'ni kullandınız: register_model sürümler oluşturur, MlflowClient.transition_model_version_stage bunları Hazırlama/Üretim aşamalarında ilerletir ve sunum, kod değişikliği olmadan güncellensin diye modele aşamaya veya takma ada göre yükleme yaparsınız (MLflow 2.x). Sıradaki konu: yeniden üretilebilir işlem hatları oluşturma.
Sıkça Sorulan Sorular
“Model Kayıt Defteri ve Sürümleme” dersi ücretsiz mi?
Evet — “Model Kayıt Defteri ve Sürümleme” 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.
“Model Kayıt Defteri ve Sürümleme” dersinde ne öğreneceğim?
Modelleri kaydetme, hazırlama (Staging/Production), model takma adları, sürüme göre yükleme. 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 2. dersidir.
“Model Kayıt Defteri ve Sürümleme” 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