Kuis terkait panduan · Sedang Tingkat

MLflow dan Kuis Pelacakan Siklus Hidup Model

Latih pelacakan eksperimen MLflow, pengemasan model, dan referensi versi registri, termasuk peran alias dalam alur kerja penerapan model.

Jalur panduan terkaitMlflow Dan Pelacakan Siklus Hidup Model
Pertanyaan 1 dari 8

Masalah utama apa yang dipecahkan oleh MLflow Tracking bagi data scientist?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Masalah utama apa yang dipecahkan oleh MLflow Tracking bagi data scientist?
    • Secara otomatis memberi label pada data pelatihan mentah
    • Mengenkripsi bobot model saat istirahat
    • Menyimpan catatan parameter, metrik, dan artefak yang sebanding di banyak percobaan yang dijalankan
    • Menggantikan kebutuhan akan cluster Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Registri Model
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Apa artinya MLflow adalah 'framework-agnostic'?
    • Ini hanya berfungsi dengan TensorFlow
    • Hal ini memerlukan penulisan ulang model dalam bahasa khusus
    • Ini hanya berjalan di Databricks
    • Ia berfungsi di banyak perpustakaan ML seperti scikit-learn, PyTorch, dan XGBoost
  4. Apa tujuan dari format Model MLflow?
    • Untuk mengompresi data pelatihan
    • Untuk menggabungkan model terlatih dengan ragam kerangka kerja dan metadatanya sehingga dapat diterapkan dengan berbagai cara
    • Untuk menjadwalkan pekerjaan pelatihan ulang
    • Untuk memvisualisasikan lapisan jaringan saraf
  5. Perusahaan mana yang membuat MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. Bagaimana MLflow berkembang untuk mendukung aplikasi AI generatif?
    • Dengan menghentikan dukungan untuk model ML klasik
    • Dengan menjadi produk sumber tertutup
    • Dengan mengganti semua kerangka pelatihan
    • Dengan menambahkan penelusuran, manajemen cepat, dan evaluasi untuk aplikasi 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