MLflow Experiment Tracking
📘 পরীক্ষা ও মডেল ট্র্যাক।
🌐 Track experiments and models.
🚀
1
ধারণা · Concept
কী এবং কেন📘 বাংলা ব্যাখ্যা:
পরীক্ষা ও মডেল ট্র্যাক।
পরীক্ষা ও মডেল ট্র্যাক।
🌐 English:
Track experiments and models.
Track experiments and models.
🗂 কোথায় পড়ে
৬. ইঞ্জিনিয়ারিং ও ক্যারিয়ার → এমএলঅপস ও ডিপ্লয়মেন্ট → MLflow Experiment Tracking
🎯 এই শাখার লক্ষ্য
Version, containerise, deploy and monitor models
🧰 টুলস
Git, Docker, FastAPI, MLflow
🪜
ধাপে ধাপে শিখুন · Step-by-step
কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল💡 কেন গুরুত্বপূর্ণ?
শত শত পরীক্ষার মধ্যে কোন সেটিংসে কোন ফল—হারিয়ে না যাওয়া।
- ধাপ 1mlflow.start_run() এর মধ্যে ট্রেনিং
- ধাপ 2log_param (হাইপারপ্যারামিটার), log_metric (স্কোর), log_artifact (চার্ট)
- ধাপ 3mlflow.sklearn.log_model দিয়ে মডেল সংরক্ষণ
- ধাপ 4mlflow ui-তে রান তুলনা; Model Registry-তে Staging/Production ভার্সন
🧪 বাস্তব উদাহরণ
২০টি XGBoost রান তুলনা করে সেরাটি এক ক্লিকে প্রোডাকশনে।
⚠️ সাধারণ ভুল
নোটবুকে হাতে ফল লিখে রাখা—পুনরুৎপাদন অসম্ভব।
🔑 মূল শব্দ (Key terms)
MLflowexperiment trackingrunartifactmodel registry
3
সাব-টপিক ও বিস্তারিত · Sub-topics
টপিক → সাব-টপিক → সাব-সাব টপিক5.1 Experiment লগিং5.1.1 params5.1.2 metrics
5.2 Model registry
5.3 তুলনা ও পুনরুৎপাদন
🎬
ভিডিও · Videos (বাংলা ও English)
ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত📺 আরও খুঁজুন
💻
হাতে-কলমে · Try it (MLOps & Deployment)
এডিট করে Run চাপুন · Ctrl+Enter# Save / load a model and serve predictions like an API would
import pickle, json
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X,y=load_iris(return_X_y=True); model=LogisticRegression(max_iter=300).fit(X,y)
blob=pickle.dumps(model); served=pickle.loads(blob)
def predict_endpoint(payload:str):
x=json.loads(payload)["features"]; return json.dumps({"class":int(served.predict([x])[0])})
print("POST /predict ->",predict_endpoint('{"features":[5.1,3.5,1.4,0.2]}'))
print("model size:",len(blob),"bytes")❓
সেল্ফ-চেক · Self check
1. “params, metrics” — এটি কোন সাব-টপিকের বর্ণনা?
🔗