Тест, свързан с ръководство · Среден Ниво

MLflow и тест за проследяване на жизнения цикъл на модела

Практикувайте проследяване на експерименти с MLflow, опаковане на модели и препратки към версиите на регистъра, включително ролята на псевдонимите в работните потоци за внедряване на модела.

Свързани ръководни пътекиMlflow и проследяване на жизнения цикъл на модела
Въпрос 1 на 8

Какъв основен проблем решава MLflow Tracking за специалистите по данни?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв основен проблем решава MLflow Tracking за специалистите по данни?
    • Автоматично етикетиране на сурови данни за обучение
    • Шифроване на теглата на модела в покой
    • Поддържане на сравним запис на параметри, показатели и артефакти в много експерименти
    • Замяна на нуждата от Kubernetes клъстер
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Регистърът на модела
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Какво означава, че MLflow е „независим от рамка“?
    • Работи само с TensorFlow
    • Това изисква пренаписване на модели на персонализиран език
    • Работи само на Databricks
    • Работи в много ML библиотеки като scikit-learn, PyTorch и XGBoost
  4. Каква е целта на формата на MLflow Model?
    • За компресиране на данни за обучение
    • Да обгърне обучен модел с неговата рамка и метаданни, така че да може да бъде разгърнат по много начини
    • Да планирате работни места за преквалификация
    • За визуализиране на слоевете на невронни мрежи
  5. Коя компания създаде MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. Как MLflow се разширява, за да поддържа генеративни AI приложения?
    • Чрез премахване на поддръжката за класически ML модели
    • Като се превърне в продукт със затворен код
    • Чрез подмяна на всички рамки за обучение
    • Чрез добавяне на проследяване, бързо управление и оценка за LLM приложения
  7. A deployment resolves an MLflow model through a champion alias. What can reassignment of that alias change?
    • The recorded metrics inside every old experiment
    • The registered model version that the named reference resolves to
    • The model framework of all stored artifacts
    • The training labels in a historical dataset
  8. Two MLflow runs use different learning rates. What record helps compare their validation results?
    • Only the wall color of the training room
    • A registry alias without any run information
    • Each run’s logged parameters and validation metrics
    • A notebook filename without the experiment outputs