Вікторина, пов’язана з посібником · Середній Рівень

Тест із відстеження життєвого циклу MLflow і моделі

Практикуйте відстеження експериментів MLflow, пакування моделі та посилання на версії реєстру, зокрема роль псевдонімів у робочих процесах розгортання моделі.

Пов'язані напрямні шляхиMlflow і відстеження життєвого циклу моделі
Питання 1 з 8

Яку головну проблему вирішує MLflow Tracking для науковців?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яку головну проблему вирішує MLflow Tracking для науковців?
    • Автоматичне маркування необроблених даних навчання
    • Шифрування ваг моделі в стані спокою
    • Ведення порівнянного запису параметрів, показників і артефактів у багатьох експериментах
    • Заміна потреби в кластері Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Модельний реєстр
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Що це означає, що MLflow не залежить від фреймворку?
    • Він працює лише з TensorFlow
    • Для цього потрібно переписати моделі на власну мову
    • Він працює лише на Databricks
    • Він працює в багатьох бібліотеках ML, таких як scikit-learn, PyTorch і XGBoost
  4. Яке призначення формату моделі MLflow?
    • Щоб стиснути навчальні дані
    • Щоб обернути навчену модель її структурою та метаданими, щоб її можна було розгортати різними способами
    • Скласти графік перепідготовки робочих місць
    • Для візуалізації шарів нейронної мережі
  5. Яка компанія створила MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. Як MLflow розширюється для підтримки генеративних програм ШІ?
    • Через припинення підтримки класичних моделей ML
    • Ставши продуктом із закритим кодом
    • Замінивши всі тренувальні рамки
    • Додавши трасування, оперативне керування та оцінку для програм 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