Útmutatóhoz kapcsolódó kvíz · Közepes Szint
MLflow és Model Lifecycle Tracking Quiz
Practice MLflow experiment tracking, model packaging, and registry version references, including the role of aliases in model deployment workflows.
kérdés 1 -ból 8
Milyen elsődleges problémát old meg az MLflow Tracking az adattudósok számára?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen elsődleges problémát old meg az MLflow Tracking az adattudósok számára?
- A nyers edzésadatok automatikus címkézése
- A modell súlyainak titkosítása nyugalmi állapotban
- A paraméterek, mutatók és műtermékek összehasonlítható nyilvántartása számos kísérlet során
- A Kubernetes-fürt szükségességének felváltása
- Which MLflow component stores registered model versions and their tags or aliases?
- A modellnyilvántartás
- The learning-rate scheduler
- The training-data labeler
- The Kubernetes pod scheduler
- Mit jelent az, hogy az MLflow „keret-agnosztikus”?
- Csak TensorFlow-val működik
- A modelleket egyéni nyelven kell átírni
- Csak Databricks-en fut
- Számos ML könyvtárban működik, mint például a scikit-learn, a PyTorch és az XGBoost
- Mi a célja az MLflow Model formátumnak?
- Az edzésadatok tömörítéséhez
- Becsomagolni egy betanított modellt a keretrendszer ízével és metaadataival, hogy sokféleképpen telepíthető legyen
- Átképzési munkák ütemezéséhez
- Neurális hálózati rétegek megjelenítésére
- Melyik cég hozta létre az MLflow-t?
- Databricks
- Netflix
- Amazon
- Hogyan bővül az MLflow a generatív AI-alkalmazások támogatására?
- A klasszikus ML modellek támogatásának megszüntetésével
- Zárt forráskódú termékké válva
- Az összes képzési keret lecserélésével
- Nyomkövetés, gyors kezelés és értékelés hozzáadásával az LLM-alkalmazásokhoz
- 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
- 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