MLflow を使用してデータ サイエンス ワークフローの効率性と再現可能性を確保
2019年6月13日
データ サイエンティストが機械学習モデルの構築に取り組む際には、多くの場合、実験によって大量のメタデータが生成されます。たとえば、テストしたモデルのメトリック、実際のモデル ファイル、プロットやログ ファイルなどのアーティファクトが挙げられます。また、多数のモデルやパラメーターを試すことも少なくありません。たとえば、ランダム フォレストの深さを変えたり、線形モデルの正則化率を変えたり、ディープ ラーニング モデルの各アーキテクチャをトレーニングする学習率を変えたりといったケースです。