跳到主要内容

您的第一个 MLflow 模型：完整教程

通过构建您的第一个端到端机器学习工作流来掌握 MLflow 的基本知识。本实践教程将带您从设置到部署，涵盖您成功所需的所有基本 MLflow 概念。

您将构建什么​

在本教程结束时，您将创建一个完整的 ML 流水线，该流水线将：

  • 🎯 使用您将生成的合成数据集**预测苹果质量**
  • 📊 使用参数、指标和模型工件**跟踪实验**
  • 🔍 使用 MLflow UI **比较模型性能**
  • 📦 **注册您的最佳模型**以供生产使用
  • 🚀 **部署一个可工作的 API**以进行实时预测
非常适合初学者

🎓 无需 MLflow 经验。我们将通过清晰的解释和实际示例指导您完成每个概念。

⏱️ 以您自己的节奏在 30-45 分钟内完成完整教程，每个步骤都以前一个步骤为基础，自然衔接。

学习路径​

本教程设计为循序渐进的学习体验

第一阶段：设置与基础（10 分钟）​

第二阶段：数据与实验（15 分钟）​

是什么让本教程与众不同​

以现实世界为重点​

您将处理一个真实的苹果质量预测问题，而不是玩具示例，该问题展示了实际的 ML 工作流。

动手学习​

每个概念都通过您可以运行和修改的代码示例立即得到应用。

完整的工作流​

体验从数据创建到模型部署的完整 ML 生命周期，而不仅仅是孤立的功能。

可视化学习​

大量使用 MLflow UI 帮助您了解跟踪数据在实践中是如何显示的。

先决条件​

  • 您的系统上安装了Python 3.8+
  • 基本 Python 知识（变量、函数、循环）
  • 10 分钟进行初始设置

不需要机器学习专业知识 - 我们将在过程中解释 ML 概念！

两种学习方式​

在浏览器中按照分步指南进行操作，其中包含详细的解释和屏幕截图。非常适合深入理解概念。

▶️ **开始交互式教程**

Jupyter Notebook​

下载并在本地运行完整的教程。非常适合实验和自定义。

📓 下载完整 Notebook

您将掌握的关键概念​

🖥️ MLflow 跟踪服务器 设置并连接到存储所有 ML 实验和工件的中心枢纽。

🔬 实验与运行 将您的 ML 工作组织成逻辑组，并通过完整的可重现性跟踪单个训练会话。

📊 指标与参数 记录训练性能、超参数和模型配置，以便轻松比较和优化。

🤖 模型工件 以正确的版本和元数据保存训练模型，以实现一致的部署和共享。

🏷️ 标签与组织 使用标签和描述来保持实验的组织性和可搜索性，随着项目的发展。

🔍 搜索与发现 使用 MLflow 强大的搜索和过滤功能高效地查找和比较实验。

接下来会发生什么​

完成本教程后，您将能够

  • 自信地将 MLflow 应用于您自己的项目，掌握核心概念
  • 探索高级功能，如超参数调优和 A/B 测试
  • 通过共享跟踪服务器和模型注册表扩展到团队工作流
  • 使用 MLflow 的服务功能部署生产模型

准备开始了吗？​

选择您偏好的学习方式，立即开始！本教程设计为一次性完成，但您也可以为您的进度添加书签并随时返回。

立即开始

交互式教程：🚀 开始第一步 - 跟踪服务器

Notebook 版本：使用上面的下载按钮获取完整的 Jupyter notebook

有问题或反馈？ 本教程根据用户输入不断改进。请告诉我们如何让您的学习体验更好！