MLOps en Deployment
MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, datapipelines, monitoring, ML business metrics, cloud deployment
1Wat is de primaire rol van MLflow in een MLOps-workflow?
Wat is de primaire rol van MLflow in een MLOps-workflow?
Antwoord
MLflow is een open-source platform dat de complete ML-modellevenscyclus beheert: experiment tracking (metrics, parameters, artifacts), model packaging, gecentraliseerde registry en deployment. Dit maakt experimentreproduceerbaarheid en gestandaardiseerde modelversionering mogelijk.
2Welk commando wordt gebruikt om een parameter te loggen in MLflow?
Welk commando wordt gebruikt om een parameter te loggen in MLflow?
Antwoord
De functie mlflow.log_param registreert een hyperparameter (learning rate, epochs, batch size) gekoppeld aan een run. Deze parameters zijn vervolgens zichtbaar in de MLflow UI en maken vergelijking van verschillende trainingsconfiguraties mogelijk.
3Wat is het verschil tussen mlflow.log_metric en mlflow.log_param?
Wat is het verschil tussen mlflow.log_metric en mlflow.log_param?
Antwoord
log_param registreert vaste waarden die voor de training zijn gedefinieerd (hyperparameters zoals learning_rate, epochs), terwijl log_metric waarden registreert die tijdens of na de training veranderen (accuracy, loss). Metrics kunnen meerdere keren met verschillende steps worden gelogd om curves te maken.
Wat is het belangrijkste voordeel van Docker voor het deployen van een ML-model?
Waarom een multi-stage Dockerfile gebruiken voor een ML-applicatie?
+21 gespreksvragen
Andere Data Science & ML-sollicitatieonderwerpen
Python-basisbeginselen
Python Objectgeoriënteerd Programmeren
Python-datastructuren
Git-Fundamenten
SQL-basisbeginselen
NumPy-grondbeginselen
Pandas-basis
Jupyter & Google Colab
SQL Joins & geavanceerde queries
Geavanceerd Pandas
Visualisatie met Matplotlib & Seaborn
Interactieve visualisaties met Plotly
Beschrijvende statistiek
Inferentiële statistiek
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Supervised ML: Regressie
Supervised ML: Classificatie
Beslissingsbomen & Ensembles
Ongesuperviseerd ML
ML Pipelines & Validatie
Tijdreeksen & Voorspelling
Fundamenten van Deep Learning
TensorFlow & Keras
CNN en beeldclassificatie
RNN & Reeksen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
Beheers Data Science & ML voor je volgende gesprek
Krijg toegang tot alle vragen, flashcards, technische tests, code review-oefeningen en gespreksimulatoren.
Begin gratis