Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ MLflow και παρακολούθησης κύκλου ζωής μοντέλου

Εξασκηθείτε στην παρακολούθηση πειράματος MLflow, στη συσκευασία μοντέλων και στις αναφορές έκδοσης μητρώου, συμπεριλαμβανομένου του ρόλου των ψευδωνύμων στις ροές εργασίας ανάπτυξης μοντέλων.

Σχετικές διαδρομές οδηγώνΠαρακολούθηση κύκλου ζωής Mlflow και μοντέλου
Ερώτηση 1 του 8

Ποιο κύριο πρόβλημα επιλύει το MLflow Tracking για τους επιστήμονες δεδομένων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο κύριο πρόβλημα επιλύει το MLflow Tracking για τους επιστήμονες δεδομένων;
    • Αυτόματη επισήμανση ακατέργαστων δεδομένων εκπαίδευσης
    • Κρυπτογράφηση βαρών μοντέλου σε κατάσταση ηρεμίας
    • Διατήρηση συγκρίσιμου αρχείου παραμέτρων, μετρήσεων και τεχνουργημάτων σε πολλές εκτελέσεις πειράματος
    • Αντικατάσταση της ανάγκης για ένα σύμπλεγμα Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Το Μητρώο Μοντέλων
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Τι σημαίνει ότι το MLflow είναι «αγνωστικιστικό πλαίσιο»;
    • Λειτουργεί μόνο με το TensorFlow
    • Απαιτεί την επανεγγραφή μοντέλων σε προσαρμοσμένη γλώσσα
    • Λειτουργεί μόνο σε Databricks
    • Λειτουργεί σε πολλές βιβλιοθήκες ML όπως το scikit-learn, το PyTorch και το XGBoost
  4. Ποιος είναι ο σκοπός της μορφής μοντέλου MLflow;
    • Για συμπίεση δεδομένων προπόνησης
    • Να τυλίξετε ένα εκπαιδευμένο μοντέλο με τη γεύση του πλαισίου και τα μεταδεδομένα του, ώστε να μπορεί να αναπτυχθεί με πολλούς τρόπους
    • Προγραμματισμός εργασιών επανεκπαίδευσης
    • Για την οπτικοποίηση των επιπέδων νευρωνικών δικτύων
  5. Ποια εταιρεία δημιούργησε το MLflow;
    • Τούβλα δεδομένων
    • Google
    • Netflix
    • Amazon
  6. Πώς επεκτείνεται το MLflow για να υποστηρίξει παραγωγικές εφαρμογές AI;
    • Με την κατάργηση της υποστήριξης για κλασικά μοντέλα ML
    • Γίνοντας προϊόν κλειστού κώδικα
    • Με την αντικατάσταση όλων των πλαισίων εκπαίδευσης
    • Προσθέτοντας ανίχνευση, άμεση διαχείριση και αξιολόγηση για εφαρμογές LLM
  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