Machine-Learning-Engineering-with-MLflow
Machine Learning Engineering with MLflow, published by Packt
파일 탐색기
최종 버전 다운로드 (.zip)- .gitignore
- Dockerfile
- Makefile
- MLproject
- README.md
- test.csv
- train.py
- chapther_01_introducing_ml_flow.ipynb
- Dockerfile
- run.sh
- bug-fix-ticket-template.md
- epic-ticket-template.md
- feature-ticket-template.md
- spike-ticket-template.md
- task-ticket-template.md
- pull_request_template.md
- wait-for-it.sh
- Dockerfile
- requirements.test.txt
- wait-for-it.sh
- .dockerignore
- Dockerfile
- .dockerignore
- Dockerfile
- init.sql
- Dockerfile
- Dockerfile.dockerignore
- requirements.txt
- conda.yaml
- MLmodel
- mlflow_sample.ipynb
- stockpred_randomizer.ipynb
- __init__.py
- __init__.py
- test_mlflow.py
- __init__.py
- test_version.py
- run_docker_tests.sh
- .dockerignore
- .env
- .gitignore
- .pylintrc
- .travis.yml
- docker-compose.yml
- LICENSE
- Makefile
- README.md
- requirements.txt
- setup.py
- tox.ini
- wait-for-it.sh
- Dockerfile
- requirements.test.txt
- wait-for-it.sh
- .dockerignore
- Dockerfile
- .dockerignore
- Dockerfile
- init.sql
- Dockerfile
- Dockerfile.dockerignore
- requirements.txt
- hyperopt_optimization_logistic_regression_mlflow.ipynb
- mlflow_run_keras.ipynb
- mlflow_run_logistic_regression.ipynb
- mlflow_run_xgboost.ipynb
- retrieve_training_data.ipynb
- training_data.csv
- __init__.py
- __init__.py
- test_mlflow.py
- __init__.py
- test_version.py
- run_docker_tests.sh
- .dockerignore
- .env
- .gitignore
- .pylintrc
- .travis.yml
- docker-compose.yml
- LICENSE
- Makefile
- README.md
- requirements.txt
- setup.py
- tox.ini
- wait-for-it.sh
- Dockerfile
- requirements.test.txt
- wait-for-it.sh
- .dockerignore
- Dockerfile
- .dockerignore
- Dockerfile
- init.sql
- Dockerfile
- Dockerfile.dockerignore
- requirements.txt
- hyperopt_optimization_logistic_regression_mlflow.ipynb
- mlflow_run_keras.ipynb
- models_under_the_hood_mlflow.ipynb
- random_custom_logging_model.ipynb
- training_data.csv
- __init__.py
- __init__.py
- test_mlflow.py
- __init__.py
- test_version.py
- run_docker_tests.sh
- .dockerignore
- .env
- .gitignore
- .pylintrc
- .travis.yml
- docker-compose.yml
- LICENSE
- Makefile
- README.md
- requirements.txt
- setup.py
- tox.ini
- data.csv
- manifest.yaml
- data.csv
- manifest.yaml
- data.csv
- manifest.yaml
- data.csv
- manifest.yaml
- manifest.yaml
- .gitignore
- check_verify_data.py
- conda.yaml
- feature_set_generation.py
- LICENSE
- load_raw_data.py
- main.py
- MLproject
- README.md
- features.csv
- features.parquet
- online_store.db
- registry.db
- add_features.ipynb
- driver_stats.parquet
- feature_store.yaml
- register_features.py
- wait-for-it.sh
- Dockerfile
- requirements.test.txt
- wait-for-it.sh
- .dockerignore
- Dockerfile
- .dockerignore
- Dockerfile
- init.sql
- Dockerfile
- Dockerfile.dockerignore
- requirements.txt
- __init__.py
- __init__.py
- test_mlflow.py
- __init__.py
- test_version.py
- run_docker_tests.sh
- .dockerignore
- .env
- .gitignore
- .pylintrc
- .travis.yml
- docker-compose.yml
- LICENSE
- Makefile
- README.md
- requirements.txt
- setup.py
- tox.ini
- test_predictions.csv
- data.csv
- conda.yaml
- MLmodel
- model.xgb
- feature_importance_weight.json
- feature_importance_weight.png
- .gitignore
- conda.yaml
- evaluate_model.py
- LICENSE
- main.py
- mlflow_db
- MLproject
- README.md
- register_model.py
- train_model.py
- test_predictions.csv
- data.csv
- conda.yaml
- evaluate_model.py
- LICENSE
- main.py
- MLproject
- README.md
- register_model.py
- train_model.py
- .gitignore
- Dockerfile
- mlflow_db
- MLproject
- conda.yaml
- MLmodel
- model.xgb
- feature_importance_weight.json
- feature_importance_weight.png
- Makefile
- mlflow_db
- test_predictions.csv
- data.csv
- .gitignore
- conda.yaml
- evaluate_model.py
- LICENSE
- main.py
- MLproject
- README.md
- register_model.py
- train_model.py
- api_predictions_client.py
- mlflow_db
- input.csv
- output.csv
- .gitignore
- batch_scoring.py
- Dockerfile
- mlflow_db
- MLproject
- conda.yaml
- MLmodel
- model.xgb
- feature_importance_weight.json
- feature_importance_weight.png
- Makefile
- mlflow_db
- bitpred_poc.dbc
- input_prediction.csv
- conda.yaml
- MLmodel
- model.xgb
- feature_importance_weight.json
- feature_importance_weight.png
- ray_serving.py
- reports_model_performance.html
- boston_data_drift_no_mapping.html
- classification_performance.html
- data_and_target_drift.html
- my_report.html
- reports_model_performance.html
- target_drift.html
- input_data_drift.html
- input_data_drift.json
- target_drift.html
- target_drift.json
- data_and_target_drift.html
- filename.json
- monitoring_data_drift_performance.ipynb
- monitoring_models_drifts.ipynb
- monitoring_target_drifts.ipynb
- reference_training_data.csv
- scored_data.csv
- to_score_input_data.csv
- training_data.csv
- mlflow_db
- events.out.tfevents
- catboost_training.json
- learn_error.tsv
- time_left.tsv
- automl_psystock_mlflow.ipynb
- training_data.csv
- automl_fraud_detection_mlflow.ipynb
- automl_psystock_mlflow.ipynb
- credicard.csv
- r_sample.dbc
- __init__.py
- psystock_deployment_plugin.py
- setup.py
- Main.java
- .gitignore
- license.md
- pom.xml
- readme.md
- .gitignore
- LICENSE
- README.md
# 설치 가이드
1. 코드 내려받기
git clone https://github.com/PacktPublishing/Machine-Learning-Engineering-with-MLflow
깃허브에서 프로젝트 코드 전체를 내 컴퓨터로 내려받습니다.
cd Machine-Learning-Engineering-with-MLflow
방금 내려받은 프로젝트 폴더 안으로 이동합니다.
2. Docker
쉬움 추천사전 준비물
- Git GitHub에서 프로젝트 코드를 내려받으려면 필요합니다.
- Docker Desktop 컨테이너를 빌드하고 실행하려면 필요합니다. 설치 후 실행해서 백그라운드에 켜두세요.
docker compose -f Chapter03/gradflow/docker-compose.yml up -d --build
compose 설정 파일에 정의된 서비스들을 대상으로 명령을 실행합니다.
터미널에 docker compose ps 를 입력해 컨테이너들이 Up 상태인지 확인하세요. README에 포트 번호가 적혀있다면 브라우저에서 http://localhost:포트번호 로 접속해보세요.
3. Maven (Java)
보통사전 준비물
- Git GitHub에서 프로젝트 코드를 내려받으려면 필요합니다.
- JDK (Java) Java 프로젝트를 빌드/실행하려면 필요합니다.
- Maven mvn 명령어를 쓰기 위한 빌드 도구입니다.
⚠️ 이 프로젝트는 규모가 큰 저장소라, 이 방법이 실제 핵심 제품이 아니라 내부 하위 패키지를 가리키는 것일 수 있습니다. README 전체를 함께 확인해보세요.
cd Chapter12/psystock-java-example
이 프로젝트의 관련 파일이 하위 폴더 안에 있어서, 먼저 그 폴더로 이동합니다.
mvn clean install
Maven으로 의존성 설치와 빌드를 진행합니다.
BUILD SUCCESS 메시지가 뜨면 성공입니다. target/ 폴더에 결과물이 생성됩니다.
4. Python
쉬움사전 준비물
⚠️ 이 프로젝트는 규모가 큰 저장소라, 이 방법이 실제 핵심 제품이 아니라 내부 하위 패키지를 가리키는 것일 수 있습니다. README 전체를 함께 확인해보세요.
pip install -r Chapter03/gradflow/docker/python-dev/requirements.txt
requirements.txt 등에 명시된 파이썬 라이브러리를 설치합니다.
jupyter notebook
브라우저에서 노트북(.ipynb) 파일들을 열람하고 실행할 수 있는 Jupyter 화면을 켭니다.
에러 메시지 없이 실행되고 터미널에 안내 문구가 출력되면 정상입니다.
5. Make
보통사전 준비물
- Git GitHub에서 프로젝트 코드를 내려받으려면 필요합니다.
- Make Linux/macOS는 보통 기본 설치되어 있습니다. Windows는 별도 설치(예: MSYS2, WSL)가 필요합니다.
cd Chapter01/stockpred
이 프로젝트의 관련 파일이 하위 폴더 안에 있어서, 먼저 그 폴더로 이동합니다.
make
생성된 빌드 설정을 바탕으로 실제 컴파일을 진행해 실행 파일을 만듭니다.
에러 없이 끝나면 성공입니다. 생성된 실행 파일을 직접 실행해보세요.
// repository documentation
Was this content helpful?
(0 ratings)
