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
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
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
MLflow 追踪功能介绍
这部分内容有帮助吗？
- MLflow Tracking, MLflow Community, 2024 - 这是理解 MLflow Tracking 的权威且最新来源，涵盖其核心概念、API、架构和用法。
- MLflow in Action, Nader Jafari, 2023 (Manning Publications) - 一份实用指南，详细介绍了如何使用 MLflow 及其 Tracking 组件来有效管理机器学习生命周期。
- Introducing MLOps: How to Go from Model to Production, Hannes Hapke, Catherine Nelson, Maximo Bragagnolo, 2020 (O'Reilly Media) - 本书提供了 MLOps 原理的基础知识，解释了实验跟踪和可复现性的必要性，MLflow 正是为解决这些问题而设计。