趋近智
机器学习数据版本控制与实验记录
章节 1: 机器学习可复现性的必要性
机器学习项目管理中的难题
为何单独使用 Git 无法满足需求
定义机器学习中的可复现性
可复现机器学习工作流程的组成部分
数据版本管理的基本思想
实验追踪的基本理念
第 1 章测验
章节 2: 使用 DVC 管理数据版本
数据版本控制方法
介绍数据版本控制 (DVC)
在项目中设置DVC
跟踪数据文件和目录
数据版本的存储与获取
将 DVC 连接到远程存储 (S3、GCS、Azure Blob)
在不同数据版本间切换
动手实践：数据集版本管理
第 2 章测验
章节 3: 使用 MLflow 追踪实验
实验跟踪的重要性
MLflow 追踪功能介绍
配置 MLflow
记录参数和指标
记录工件（模型、图表、文件）
使用实验管理运行
使用 MLflow 用户界面
比较实验运行
实践：追踪训练运行
章节 4: DVC 与 MLflow 的整合：构建可复现的工作流程
关联数据版本与实验
为集成构建项目结构
在 MLflow 中记录 DVC 元数据
构建 DVC 流水线
复现 DVC 流水线
追踪 DVC 流水线指标
结合 DVC 流水线与 MLflow 追踪
集成工作流程的最佳实践
动手实践：构建集成式流程
章节 3: 使用 MLflow 追踪实验
前一章主要介绍如何使用 DVC 管理数据集，而开发机器学习模型则会遇到另一类管理挑战。模型训练通常需要多次迭代，期间会调整超参数、代码或进行特征工程。如果没有条理分明的方法，就很难回溯是哪些设置产生了特定的结果，也难以准确复现过去的实验。
本章将介绍 MLflow Tracking，它是一种系统记录模型开发工作的方案。我们将讲解如何：
- 设置 MLflow 环境。
- 修改训练脚本以记录重要信息：参数、指标以及模型或图表等工件。
- 将相关的训练尝试归类到实验中。
- 使用 MLflow 界面查看、搜索和比较不同运行的结果。
采纳这些做法能为您的开发过程提供清晰的记录，有助于提高模型的复现性及迭代效率。
课程章节
3.1 实验跟踪的重要性
3.2 MLflow 追踪功能介绍
3.3 配置 MLflow
3.4 记录参数和指标
3.5 记录工件（模型、图表、文件）
3.6 使用实验管理运行
3.7 使用 MLflow 用户界面
3.8 比较实验运行
3.9 实践：追踪训练运行
© 2026 ApX Machine Learning用心打造