Eğitimin Amacı ve Kapsamı
MLflow, kurumsal dünyada bulut sağlayıcısından bağımsız (vendor-neutral) en yaygın açık kaynak MLOps bileşenidir; ancak yerel dizinde mlruns klasörüyle kullanmakla çok kullanıcılı bir kurumsal MLflow sunucusu işletmek arasında büyük fark vardır. Bu eğitim, MLflow ekosisteminin tüm bileşenlerini derinlemesine ve uygulamalı olarak kapsar.
Backend store (PostgreSQL) ve artifact store (S3/MinIO) ayrımı, scikit-learn/PyTorch/XGBoost ile özel ve otomatik loglama, mlflow.pyfunc ile ön işleme ve iş kurallarını tek bir model paketinde birleştirme, mlflow.evaluate ile kalite kapıları ve GenAI/LLM izleme (Tracing) özellikleri çalışılır. Katılımcılar kurumlarında doğrudan devreye alabilecekleri çok kullanıcılı bir MLflow mimarisi ve standart SDK kullanım kılavuzu hazırlar.
Kimler Katılmalı?
- Kurum içi (on-prem) veya bulutta açık kaynak deney ve model yönetimi kurmak isteyen MLOps mühendisleri
- Modellerini standart bir formatta paketleyip teslim etmek isteyen veri bilimciler
- Veri bilimi platformunu yöneten altyapı ve platform mühendisleri
- Ön koşul: Python ve temel makine öğrenmesi kütüphaneleriyle çalışma deneyimi
Kazanımlar
- PostgreSQL ve S3/MinIO kullanarak ölçeklenebilir ve güvenli bir MLflow Tracking Server kurmak
- Tracking API ile iç içe koşumları (nested runs), özel grafikleri ve veri seti referanslarını kaydetmek
- Ön işleme, model ve post-processing mantığını
mlflow.pyfuncveModelSignatureile tek pakette sarmalamak mlflow.evaluateile aday modelleri baseline modele karşı otomatik doğrulama eşiklerinden geçirmek- MLflow Tracing ve Evaluate ile klasik modellerin yanında LLM/RAG uygulamalarını da aynı platformda izlemek
Konular
MLflow Mimarisi ve Kurumsal Sunucu Kurulumu
- Tracking Server, Backend Store (PostgreSQL) ve Artifact Store (S3/MinIO/Azure Blob) topolojileri
- Proxied artifact erişimi, kimlik doğrulama ve ekip bazlı izin yönetimi
MLflow Tracking API ve İleri Loglama Desenleri
- Autologging sınırları, özel metrik/parametre kaydı, sistem metrikleri ve mlflow.data ile veri izlenebilirliği
- Cross-validation ve hiperparametre aramaları için parent/child (nested) run organizasyonu
MLflow Models, Flavors ve Özel PyFunc Paketleme
- MLmodel dosyası, ModelSignature, input_example ve conda/uv/pip ortam kilitleme
- mlflow.pyfunc ile özellik dönüşümü, toplu model (ensemble) ve iş kurallarını tek artefaktta birleştirme
MLflow Evaluate ve Model Registry Yaşam Döngüsü
- mlflow.evaluate ile otomatik metrik üretimi, özel değerlendiriciler ve baseline karşılaştırma eşikleri
- Model versiyonlama, Registered Model Aliases (@champion, @challenger) ve dağıtım webhook'ları
GenAI / LLM İzleme (MLflow Tracing) ve Sunum
- LLM ve RAG zincirlerinde adım adım gecikme, token ve prompt izleme (Tracing)
- mlflow models serve / build-docker ile hızlı konteyner üretimi ve REST/batch çıkarım
Bu Kategorideki Diğer Eğitimler
-
W&B Experiments, Sweeps, Artifacts (veri ve model soykütüğü), Tables ile görsel hata analizi, Weave ile LLM izleme ve ortak çalışma raporları; derin öğrenme ve üretken yapay zeka ekipleri için.
- Canlı Kurs
- 5 modül
-
DVC, LakeFS ve Iceberg/Delta time-travel ile büyük veri setleri, etiketler ve model ağırlıklarının Git ile senkron versiyonlanması ve uçtan uca soykütüğü (lineage); denetlenebilir ML sistemleri kuran ekipler için.
- Canlı Kurs
- 5 modül
-
Merkezi Model Registry mimarisi, model paketleme standartları, @champion/@challenger geçişleri, otomatik doğrulama kapıları, model kartları ve güvenlik taraması; modelleri denetimli biçimde üretime alan ekipler için.
- Canlı Kurs
- 5 modül
-
Online/batch/streaming çıkarım desenleri, Triton Inference Server, BentoML, Ray Serve ve vLLM, dynamic batching, gRPC/REST, önbellekleme ve yük testi; modelleri düşük gecikme ve yüksek throughput ile sunan ekipler için.
- Canlı Kurs
- 5 modül
-
GitHub Actions/GitLab CI ile veri, model ve kod doğrulama, PR üzerinde otomatik model değerlendirme raporları, Airflow/Argo/Prefect ile Continuous Training (CT) tetikleyicileri ve GitOps dağıtımı; MLOps ekipleri için.
- Canlı Kurs
- 5 modül
-
CUDA/PyTorch için optimize Docker imajları, Kubernetes NVIDIA GPU Operator, MIG/time-slicing, KServe ile serverless/autoscaling model sunumu ve Kubeflow/Volcano ile dağıtık eğitim; platform ve MLOps ekipleri için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
