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.

Kapcsolódó útmutató utakMlflow és modell életciklus követése
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Melyik cég hozta létre az MLflow-t?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. 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
  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