自从我们最初推出MLflow（一个面向整个机器学习生命周期的开源平台）以来已经两年了，我们对它在数据科学和数据工程界的采用和影响感到非常激动和谦卑。MLflow现在每月下载超过200万次，有200个代码贡献者和100多个贡献组织，它是增长最快、使用最广泛的开源机器学习平台，这证实了需要一种开源方法来帮助管理完整的ML生命周期。 在最近的一次关于ML平台的虚拟会议上，我们概述了MLflow是如何帮助管理ML生命周期的，它代表了一组不同的用例和行业，我们还将参加Spark+AI峰会。下面是关于MLflow的会话、教程和培训列表，供您深入了解。主旨6月25日，星期四，加入mateizaharia，参加他关于用MLflow简化模型开发和管理的主题演讲，了解更多关于MLflow最新和最新特性的信息。具体来说，他将介绍MLflow中的新功能，通过简化实验跟踪、模型管理和使用新的MLflow模型注册表进行模型部署，进一步简化ML生命周期。许多组织都面临着跟踪组织中哪些模型可用以及哪些模型正在生产中的挑战。MLflow模型注册中心提供了一个集中的数据库来跟踪这些模型，共享和描述新的模型版本，并通过api部署模型的最新版本。会谈我们有一个很棒的阵容的发言者和会议贯穿整个会议的MLflow。加入埃森哲、埃克森美孚、Zynga、Atlassian、Databricks等公司的专家，了解MLflow的真实示例和深度潜水（按时间顺序）：AutoML工具包-深入了解数据库的丹尼尔·汤姆斯与Databricks的Mary Grace Moesta和Peter Tamisin通过CI/CD设计MLflow实现产品化模型调优ML模型：缩放、工作流和架构与Databricks的Joseph Bradley合作杀手特性商店：与埃森哲的Nathan Buesgens协调Spark ML管道和MLflow的生产使用Databricks和Azure ML制作电离机器学习管道，以及埃克森美孚的Trace Smith和Amirhessam Tahmassebi与T-Mobile的Eric Yatskowitz和Phan Chuong在T-Mobile进行大规模广告欺诈检测使用MLflow与Databricks的Michael Shtelma和Thunder Shiviah在Databricks上连续交付启用ML的管道用统一的数据和人工智能博士斯蒂芬·高尔斯华绥和库比的厄尼·杜德维克博士节约家庭能源与Zynga的Patrick Halina和Curren Pangler合作，利用Spark和MLflow进行深度强化学习康德纳斯特公司的Max Cantor和James Evers使用数据块缩放生产机器学习管道将模型转化为医学，一个使用开放COVID-19数据的最小例子，来自西雅图儿童医院的andrewbauman和jameshibbard在罗氏与太平洋人工智能公司的David Talby和罗氏的Vishakha Sharma和Yogesh Pandit一起，在罗氏进行临床语言理解的自动化和可解释的深度学习生成性超环线设计：管理大规模模拟，重点是快速洞察分析和需求建模，与帕特里克奥列纽克和圣地亚拉格万维珍超环线一号使用Apache Spark、MLflow和ONNX从地面到云端使用sqlserver和微软的Daniel Coelho进行机器学习使用Prophet、Databricks、Delta Lake和MLflow与Atlassian的Perry Stephenson进行自动预测与伊利诺伊州蓝十字/蓝盾组织的Derrick Higgins和Sonjia Waxmonsky一起纪念数据科学项目工件的模式和反模式使用Apache Spark缩放数据和ML，并与Gojek的Willem Pienaar在Gojek举办盛宴使用MLflow和AWS Sagemaker与外联公司的Yong Liu和Andrew Brooks一起，为企业人工智能场景提供基于深度变压器的NLP模型与赛默飞世尔的Allison Wu在赛默飞世尔科技公司的Mlflow支持可扩展的数据科学管道使用MLflow和Delta Lake与Databricks的Richard Zang和Denny Lee进行机器学习数据谱系利用Pythorch和Facebook的Joe Spisak将人工智能研究扩大到生产规模与星巴克的Balaji Venkataraman和Databricks的Denny Lee一起在星巴克大规模实施机器学习用NVIDIA的John Zedlewski加速MLflow超参数急流优化管道免费教程最后但并非最不重要的是，您可以加入使用MLflow在Databricks上进行端到端机器学习，参加一个由Databricks的seanowen提供的免费80分钟教程。在这节课中，我们将看一个简单的例子，在这个例子中，健康数据可以用来预测预期寿命。它将从apachesparktm中的数据工程、数据探索、模型调优和使用hyperopt和MLflow进行日志记录开始。本文将继续举例说明模型注册表如何管理模型升级，以及将MLflow作为作业或仪表板简单地部署到生产环境中。下一步行动你也可以从Spark+AI 2020峰会日程中浏览我们的会议。要开始使用开源MLflow，请按照中的说明操作mlflow.org网站或者查看Github上的发布代码。我们很高兴听到您的反馈！如果您是一个现有的Databricks用户，您可以通过导入用于azuredatabricks或AWS的快速入门笔记本开始在Databricks上使用托管MLflow。如果您还不是Databricks用户，请访问databricks.com/mlflow了解更多，并开始免费试用Databricks和managed MLflow。相关博客：MLOps在2020年Spark+AI峰会上占据中心位置2019欧洲Spark+AI峰会MLflow会谈指南2019年Spark+AI峰会MLflow会谈指南免费试用Databricks。今天就开始吧