Summary  
This chapter covers the programming concept of a lifecycle management tool that tracks experiments, packages reproducible code, standardizes model storage, and versions models.

General domain of usage  
Machine learning operations (MLOps)

MLflow ist eines der beliebtesten **Open-Source-Tools zur Verwaltung des Machine-Learning-Lebenszyklus**.
Es unterstützt das Nachverfolgen von Experimenten, das Verwalten von Modellen und optimiert Arbeitsabläufe vom Training bis zur Bereitstellung.
MLflow bietet eine einheitliche Oberfläche für **Experiment-Tracking**, **Modellverpackung** und **Modell-Registry** und ist somit ein unverzichtbares Werkzeug im modernen MLOps.

## **Hauptkomponenten von MLflow**

1. **MLflow Tracking** — zeichnet Parameter, Metriken und Artefakte (wie Modelle oder Diagramme) für jeden Lauf auf;
2. **MLflow Projects** — ermöglicht das Verpacken von Code in einem reproduzierbaren Format;
3. **MLflow Models** — standardisiert die Speicherung und Bereitstellung von Modellen über verschiedene Frameworks hinweg;
4. **MLflow Registry** — dient als zentrales Repository zur Versionierung und Verwaltung von Modellen.

**MLflow** — eine Open-Source-Plattform zur Verwaltung des gesamten Machine-Learning-Lebenszyklus, einschließlich Tracking, Verpackung und Bereitstellung von Modellen.

Definition

MLflow kann lokal oder mit cloudbasierten Backends verwendet werden.
Es lässt sich problemlos mit Frameworks wie **scikit-learn**, **TensorFlow**, **PyTorch** und **XGBoost** integrieren – und das ohne Änderungen am bestehenden Trainingscode.


Hinweis

Welches der folgenden ist *kein* zentrales MLflow-Komponentenmodul?

Erlernen Sie die Bereitstellung von Machine-Learning-Modellen mit Docker, FastAPI und MLflow. Dieser fokussierte Kurs behandelt die Erstellung von API-Endpunkten für Inferenz, die Containerisierung von Modellen und das Management des Modell-Lebenszyklus für produktionsreife Lösungen.

Einführung in MLflow

Hauptkomponenten von MLflow