MLOps und Deployment
MLflow, Docker, FastAPI, Streamlit, Prefect, Feature Stores, Datenpipelines, Monitoring, ML-Business-Metriken, Cloud-Deployment
1Welche Hauptrolle spielt MLflow in einem MLOps-Workflow?
Welche Hauptrolle spielt MLflow in einem MLOps-Workflow?
Antwort
MLflow ist eine Open-Source-Plattform, die den gesamten ML-Modelllebenszyklus verwaltet: Experiment-Tracking (Metriken, Parameter, Artefakte), Modell-Packaging, zentrale Registry und Deployment. Dies ermöglicht die Reproduzierbarkeit von Experimenten und standardisierte Modellversionierung.
2Welcher Befehl wird verwendet, um einen Parameter in MLflow zu loggen?
Welcher Befehl wird verwendet, um einen Parameter in MLflow zu loggen?
Antwort
Die Funktion mlflow.log_param zeichnet einen Hyperparameter (learning rate, epochs, batch size) auf, der einem Run zugeordnet ist. Diese Parameter sind dann in der MLflow UI sichtbar und ermöglichen den Vergleich verschiedener Trainingskonfigurationen.
3Was ist der Unterschied zwischen mlflow.log_metric und mlflow.log_param?
Was ist der Unterschied zwischen mlflow.log_metric und mlflow.log_param?
Antwort
log_param zeichnet feste Werte auf, die vor dem Training definiert werden (Hyperparameter wie learning_rate, epochs), während log_metric Werte aufzeichnet, die sich während oder nach dem Training ändern (accuracy, loss). Metriken können mehrfach mit verschiedenen Steps geloggt werden, um Kurven zu erstellen.
Was ist der Hauptvorteil von Docker für das Deployment eines ML-Modells?
Warum ein Multi-Stage-Dockerfile für eine ML-Anwendung verwenden?
+21 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
NumPy-Grundlagen
Pandas-Grundlagen
Jupyter & Google Colab
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Interaktive Visualisierungen mit Plotly
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Regression
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
Grundlagen des Deep Learning
TensorFlow & Keras
CNN und Bildklassifizierung
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten