在不到一年的时间里，MLflow每月下载量达到了近50万次，聚集了80多个代码贡献者和40个贡献组织，这证实了需要一种开源方法来帮助跨工具、团队和流程标准化机器学习生命周期。下周在旧金山举行的2019年Spark+AI峰会上，我们很高兴能接待我们的一些主要贡献者和客户。下面是关于MLflow的会话、教程和培训的列表，供您深入研究。培训注册到生产中的机器学习：MLflow和Model Deployment学习MLflow的全天课程，您将学习将机器学习模型投入生产的最佳实践。它从使用MLflow管理实验、项目和模型开始，然后探索各种部署选项，包括批处理预测、Spark流和restapi。最后，它涵盖了监控机器学习模型，一旦它们被部署到生产中。主旨4月25日，星期四，加入Matei Zaharia，参加他的主题演讲：用MLflow 1.0加速机器学习生命周期，了解更多关于MLflow 1.0的开发计划，MLflow 1.0是MLflow的下一个版本，它将稳定MLflow api并引入多个新特性来简化ML生命周期。我们还将讨论Databricks和其他公司在2019年剩余时间内正在开发的其他MLflow组件，例如改进的模型管理工具、多步骤管道和在线监控。会议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。与来自Comcast、Showtime、GOJEK、RStudio、Databricks等公司的专家一道，了解MLflow的真实案例和深度探索：从scikit移动一个反欺诈随机森林学习与MLlib，MLflow，和Jupyter，Kount的Josh Johnston产生火花。数据驱动转换：利用Showtime Networks Inc.的ApacheSpark、Josh McNutt和Keria Bermudez Hernandez在Showtime利用大数据。与Databricks的Joseph Bradley一起使用MLflow优化超参数的最佳实践。在MLflow、Willem Pienaar和GOJEK的Md Jawad上使用机器学习来缩放乘骑。如何利用MLflow和Kubernetes构建企业ML平台，与Comcast的Nicholas Pinckernell合作。高级超参数优化与MLflow的深度学习，具有多个数据块。利用R和MLflow简化人工智能原型和部署，RStudio的Kevin Kuo。拼接机采用apachespark和MLflow，Gene Davis的拼接机。免费教程最后但并非最不重要的是，您可以与MLflow一起管理完整的机器学习生命周期，免费进行80分钟的动手实验，由Databricks的Andre Mesarovic和Ricardo Portilla提供。在本教程中，我们将向您展示如何使用MLflow帮助您跟踪跨框架的实验和结果，快速重现运行，并使用Databricks生产作业、Docker容器、azureml或Amazon SageMaker生成模型。下一步行动你也可以浏览我们的日程安排，如果你还没有注册，使用折扣代码JulesPicks可以获得15%的折扣。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。如果您是现有的Databricks用户，那么可以通过导入azuredatabricks或AWS的快速入门笔记本开始使用托管MLflow。如果您还不是Databricks用户，请访问databricks.com/mlflow要了解更多信息并开始免费试用Databricks和Managed MLflow，请访问https://databricks.com/try。免费试用Databricks。今天就开始吧