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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Quale azienda ha creato MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. 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
  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