Kuiz berkaitan panduan · Sederhana Tahap

MLflow dan Kuiz Penjejakan Kitaran Hayat Model

Amalkan penjejakan percubaan MLflow, pembungkusan model dan rujukan versi pendaftaran, termasuk peranan alias dalam aliran kerja penggunaan model.

Laluan panduan yang berkaitanMlflow Dan Penjejakan Kitaran Hayat Model
soalan 1 daripada 8

Apakah masalah utama yang diselesaikan oleh Penjejakan MLflow untuk saintis data?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah masalah utama yang diselesaikan oleh Penjejakan MLflow untuk saintis data?
    • Melabelkan data latihan mentah secara automatik
    • Menyulitkan berat model dalam keadaan rehat
    • Menyimpan rekod setanding parameter, metrik dan artifak merentas banyak percubaan dijalankan
    • Menggantikan keperluan untuk kelompok Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Pendaftaran Model
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Apakah yang dimaksudkan bahawa MLflow adalah 'rangka kerja-agnostik'?
    • Ia hanya berfungsi dengan TensorFlow
    • Ia memerlukan penulisan semula model dalam bahasa tersuai
    • Ia hanya berjalan pada Databricks
    • Ia berfungsi merentasi banyak perpustakaan ML seperti scikit-learn, PyTorch dan XGBoost
  4. Apakah tujuan format Model MLflow?
    • Untuk memampatkan data latihan
    • Untuk membalut model terlatih dengan rasa rangka kerja dan metadatanya supaya ia boleh digunakan dalam pelbagai cara
    • Untuk menjadualkan kerja latihan semula
    • Untuk menggambarkan lapisan rangkaian saraf
  5. Syarikat manakah yang mencipta MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. Bagaimanakah MLflow berkembang untuk menyokong aplikasi AI generatif?
    • Dengan menggugurkan sokongan untuk model ML klasik
    • Dengan menjadi produk sumber tertutup
    • Dengan menggantikan semua rangka kerja latihan
    • Dengan menambahkan pengesanan, pengurusan segera dan penilaian untuk apl 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