Gids-gekoppelde quiz · Middelmatig Niveau
MLflow en quiz voor het volgen van de levenscyclus van modellen
Oefen met het bijhouden van MLflow-experimenten, modelverpakkingen en verwijzingen naar registerversies, inclusief de rol van aliassen in werkstromen voor modelimplementatie.
Vraag 1 van 8
Welk primaire probleem lost MLflow Tracking op voor datawetenschappers?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk primaire probleem lost MLflow Tracking op voor datawetenschappers?
- Automatisch labelen van onbewerkte trainingsgegevens
- Modelgewichten in rust coderen
- Het bijhouden van een vergelijkbaar overzicht van parameters, statistieken en artefacten tijdens veel experimenten
- Vervanging van de behoefte aan een Kubernetes-cluster
- Which MLflow component stores registered model versions and their tags or aliases?
- Het Modelregister
- The learning-rate scheduler
- The training-data labeler
- The Kubernetes pod scheduler
- Wat betekent het dat MLflow 'framework-agnostisch' is?
- Het werkt alleen met TensorFlow
- Het vereist het herschrijven van modellen in een aangepaste taal
- Het werkt alleen op Databricks
- Het werkt in veel ML-bibliotheken zoals scikit-learn, PyTorch en XGBoost
- Wat is het doel van het MLflow Model-formaat?
- Om trainingsgegevens te comprimeren
- Een getraind model omhullen met zijn raamwerk en metadata, zodat het op vele manieren kan worden ingezet
- Om omscholingsopdrachten in te plannen
- Om neurale netwerklagen te visualiseren
- Welk bedrijf heeft MLflow gemaakt?
- Databricks
- Netflix
- Amazon
- Hoe breidt MLflow zich uit om generatieve AI-toepassingen te ondersteunen?
- Door de ondersteuning voor klassieke ML-modellen stop te zetten
- Door een closed-sourceproduct te worden
- Door alle opleidingskaders te vervangen
- Door tracering, promptbeheer en evaluatie voor LLM-apps toe te voegen
- 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