Quiz collegato alla guida · Medio Livello
Quiz sul monitoraggio del ciclo di vita di MLflow e dei modelli
Esercitati sul monitoraggio degli esperimenti MLflow, sulla creazione di pacchetti di modelli e sui riferimenti alle versioni del registro, incluso il ruolo degli alias nei flussi di lavoro di distribuzione dei modelli.
Domanda 1 di 8
Quale problema principale risolve MLflow Tracking per i data scientist?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema principale risolve MLflow Tracking per i data scientist?
- Etichettatura automatica dei dati grezzi di addestramento
- Crittografia dei pesi del modello a riposo
- Mantenere un registro comparabile di parametri, metriche e artefatti in molte esecuzioni di esperimenti
- Sostituendo la necessità di un cluster Kubernetes
- Which MLflow component stores registered model versions and their tags or aliases?
- Il registro dei modelli
- The learning-rate scheduler
- The training-data labeler
- The Kubernetes pod scheduler
- Cosa significa che MLflow è "indipendente dal framework"?
- Funziona solo con TensorFlow
- Richiede la riscrittura dei modelli in un linguaggio personalizzato
- Funziona solo su Databricks
- Funziona con molte librerie ML come scikit-learn, PyTorch e XGBoost
- Qual è lo scopo del formato del modello MLflow?
- Per comprimere i dati di addestramento
- Per avvolgere un modello addestrato con la sua struttura di framework e i suoi metadati in modo che possa essere distribuito in molti modi
- Per programmare i lavori di riqualificazione
- Per visualizzare i livelli della rete neurale
- Quale azienda ha creato MLflow?
- Databricks
- Netflix
- Amazon
- In che modo MLflow si sta espandendo per supportare le applicazioni di intelligenza artificiale generativa?
- Eliminando il supporto per i modelli ML classici
- Diventando un prodotto closed-source
- Sostituendo tutti i quadri formativi
- Aggiungendo tracciabilità, gestione tempestiva e valutazione per le app LLM
- 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