17
MLflow + MLOps
Experiment tracking, Model Registry, Spark для feature engineering.
platform
Контрольные задания
✓
Залогировать эксперимент в MLflow
✓
Зарегистрировать модель и сделать promote
✓
Собрать Spark feature pipeline
Уроки модуля
1
MLflow Tracking: runs, metrics, params и artifact store
2
MLflow Autologging: поддерживаемые фреймворки и что логируется автоматически
3
Custom Metrics и Artifacts: логирование Spark DataFrames и кастомных графиков
4
MLflow Model Registry: Register, Staging, Production жизненный цикл
5
CI/CD для моделей: автоматический promote через GitHub Actions
6
Spark для Feature Engineering: распределённые трансформации для ML
7
Batch Inference: Spark + MLflow pyfunc для scoring больших датасетов
8
Feature Store паттерны: offline store на Iceberg и online serving