MLOps e Deployment
MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, pipeline di dati, monitoraggio, metriche di business ML, deployment cloud
1Qual è il ruolo principale di MLflow in un workflow MLOps?
Qual è il ruolo principale di MLflow in un workflow MLOps?
Risposta
MLflow è una piattaforma open-source che gestisce l'intero ciclo di vita dei modelli ML: tracking degli esperimenti (metriche, parametri, artefatti), packaging dei modelli, registry centralizzato e deployment. Ciò permette la riproducibilità degli esperimenti e il versioning standardizzato dei modelli.
2Quale comando viene usato per loggare un parametro in MLflow?
Quale comando viene usato per loggare un parametro in MLflow?
Risposta
La funzione mlflow.log_param registra un iperparametro (learning rate, epochs, batch size) associato a un run. Questi parametri sono poi visibili nella MLflow UI e permettono di confrontare diverse configurazioni di training.
3Qual è la differenza tra mlflow.log_metric e mlflow.log_param?
Qual è la differenza tra mlflow.log_metric e mlflow.log_param?
Risposta
log_param registra valori fissi definiti prima del training (iperparametri come learning_rate, epochs), mentre log_metric registra valori che cambiano durante o dopo il training (accuracy, loss). Le metriche possono essere loggate più volte con step differenti per creare curve.
Qual è il vantaggio principale di usare Docker per il deployment di un modello ML?
Perché usare un Dockerfile multi-stage per un'applicazione ML?
+21 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis