Training MLflow

MLflow is een open-source platform dat data scientists en machine learning engineers helpt om hun werkproces overzichtelijk, reproduceerbaar en schaalbaar te maken. In machine learning projecten wordt vaak gewerkt met veel verschillende modellen, datasets, experimenten en deployment-omgevingen. Zonder goede structuur en tooling kan dit leiden tot versnippering, tijdverlies en fouten. MLflow biedt hier een krachtige oplossing voor: het stelt gebruikers in staat om alle onderdelen van een machine learning workflow te tracken, beheren en automatiseren.

De relevantie van MLflow neemt toe naarmate machine learning breder wordt ingezet in professionele omgevingen. Organisaties zoeken manieren om hun modellen niet alleen te ontwikkelen, maar ook veilig en controleerbaar in productie te brengen. Hierbij spelen traceerbaarheid, versiebeheer, goedkeuringsprocedures en samenwerking een grote rol. MLflow integreert met populaire machine learning libraries zoals scikit-learn, PyTorch en TensorFlow, en ondersteunt meerdere programmeertalen. Daardoor sluit het aan bij uiteenlopende technologie-stacks en teamstructuren.

Tijdens de training MLflow combineren we een overzicht van de belangrijkste concepten met praktische opdrachten. Deelnemers leren hoe ze experimenten kunnen tracken, modellen opslaan, resultaten analyseren en machine learning workflows kunnen structureren. Dit doen we zowel vanuit applicatiecode met behulp van de MLflow API, als via de visuele interface (UI) en de command line interface (CLI). Zo ontstaat inzicht in zowel de technische integratie binnen ML-toepassingen als het functionele beheer en de interpretatie van experimenten.

Deelnemers werken hands-on aan een praktijkcase waarin ze een machine learning model opzetten, trainen, loggen, registreren en deployen. Daarnaast bespreken we conceptueel hoe je MLflow inzet binnen verschillende omgevingen, waaronder cloud-gebaseerde en enterprise-infrastructuren. Ook onderwerpen als remote tracking servers, artefact storage, security en governance komen daarbij aan bod, evenals de toepassing van MLflow in combinatie met generatieve AI en promptmanagement.

De training is gericht op professionals die willen leren hoe ze hun machine learning werkproces kunnen structureren en professionaliseren. Na afloop hebben deelnemers niet alleen kennis van de mogelijkheden van MLflow, maar kunnen ze deze ook direct toepassen in hun eigen workflow. Dat maakt deze training een waardevolle stap voor iedereen die machine learning in een professionele context wil inzetten.

Cursus MLflow

De cursus MLflow laat je zien hoe je machine learning projecten beheersbaar en reproduceerbaar maakt. Je leert experimenten registreren, modellen beheren en workflows structureren met behulp van de MLflow API, CLI en UI. De belangrijkste onderdelen zoals Tracking, Models, Registry en Projects komen aan bod. Dankzij praktijkgerichte opdrachten pas je MLflow direct toe in je eigen werkomgeving

Bedrijfstraining MLflow

Wil je MLflow in gaan zetten in je organisatie? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met een groep collega's.

Tijdens de Training MLflow komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud.

De training MLflow is opgebouwd rond het inzichtelijk en toepasbaar maken van machine learning workflows. Deelnemers leren hoe zij experimenten registreren, modellen beheren en processen structureren met behulp van MLflow. Zowel de MLflow API als de UI en CLI worden ingezet, zodat deelnemers een compleet beeld krijgen van de mogelijkheden in verschillende contexten. In het programma worden de technische functies van MLflow steeds gekoppeld aan praktische situaties en realistische use cases.

• Introductie MLflow en het belang van workflowbeheer
• • Wat is MLflow en waarom is het relevant?
  • Overzicht van de vier hoofdcomponenten: Tracking, Projects, Models, Registry
  • Voorbeelden van toepassingen in de praktijk
• MLflow Tracking
• • Opzetten van een experiment
  • Loggen van parameters, metrics en artefacten
  • Vergelijken van runs via de UI en API
  • Gebruik van tags, notities en metadata
  • Autologging: automatische logging per library (scikit-learn, TensorFlow, etc.)
• MLflow Projects
• • Structureren van projecten met MLproject-bestanden
  • Uitvoeren van herhaalbare runs met dependency management
  • Integratie met Git en versiebeheer
• MLflow Models
• • Opslaan, laden en toepassen van modellen
  • Model formaten en ondersteuning voor diverse ML libraries
  • Model deployment lokaal, via REST API of via CLI
  • Gebruik van model URI's en structuur in modelbeheer
• MLflow Model Registry
• • Registreren van modellen
  • Versiebeheer en statusovergangen (staging, production, archived)
  • Werken met goedkeuringsworkflows
  • Rollback en modelhistorie bekijken
• Structuur en samenwerking in MLflow
• • Best practices in experimentbeheer
  • Werken met meerdere gebruikers, tagging en annotaties
  • Model governance, audit trails en securityconcepten
  • Organiseren van je MLflow omgeving voor teams
• Conceptuele integraties en omgevingen
• • MLflow in enterprise-omgevingen en cloud setups (Azure ML, Databricks)
  • Tracking backend, artefact storage en databaseconfiguraties
  • Deploymentstrategieën: lokaal, via containers, of in cloud services
  • Promptmanagement in MLflow: tracking van prompts en output bij generatieve AI
• Praktijkcase: end-to-end ML pipeline met MLflow
• • Opzetten en trainen van een model (bijv. scikit-learn of PyTorch)
  • Loggen van runs, parameters, metrics en artefacten
  • Model opslaan, registreren en deployen
  • Gebruik maken van zowel UI, CLI als API in één workflow
  • Evaluatie en discussie op basis van eigen resultaten