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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Welk bedrijf heeft MLflow gemaakt?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. 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
  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