Test legat de ghid · Mediu Nivel

Chestionar de urmărire a ciclului de viață MLflow și model

Exersați urmărirea experimentului MLflow, ambalarea modelului și referințele la versiunile de registru, inclusiv rolul aliasurilor în fluxurile de lucru de implementare a modelului.

Căi de ghidare aferenteMlflow și Urmărirea ciclului de viață al modelului
Întrebare 1 de 8

Ce problemă principală rezolvă MLflow Tracking pentru oamenii de știință de date?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce problemă principală rezolvă MLflow Tracking pentru oamenii de știință de date?
    • Etichetarea automată a datelor brute de antrenament
    • Criptarea greutăților modelului în repaus
    • Păstrarea unei evidențe comparabile a parametrilor, valorilor și artefactelor de-a lungul multor experimente
    • Înlocuirea necesității unui cluster Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Registrul modelului
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Ce înseamnă că MLflow este „agnostic de cadru”?
    • Funcționează doar cu TensorFlow
    • Necesită rescrierea modelelor într-o limbă personalizată
    • Funcționează numai pe Databricks
    • Funcționează în multe biblioteci ML, cum ar fi scikit-learn, PyTorch și XGBoost
  4. Care este scopul formatului MLflow Model?
    • Pentru a comprima datele de antrenament
    • Pentru a împacheta un model antrenat cu aroma cadrului și metadatele sale, astfel încât să poată fi implementat în mai multe moduri
    • Pentru a programa joburi de recalificare
    • Pentru a vizualiza straturile rețelei neuronale
  5. Ce companie a creat MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. Cum se extinde MLflow pentru a sprijini aplicațiile AI generative?
    • Renunțând la suportul pentru modelele clasice ML
    • Devenind un produs cu sursă închisă
    • Prin înlocuirea tuturor cadrelor de instruire
    • Prin adăugarea de urmărire, management prompt și evaluare pentru aplicațiile 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