Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Ce cours vous permettra de rationaliser vos processus de développement en matière d'apprentissage automatique, améliorant ainsi l'efficacité, la fiabilité et la reproductibilité de vos projets. Tout au long de ce cours, vous développerez une compréhension approfondie des workflows CI/CD et de la syntaxe YAML, en utilisant GitHub Actions (GA) pour l'automatisation, la formation de modèles dans un pipeline, la gestion des versions des ensembles de données avec DVC, le réglage des hyperparamètres et l'automatisation des tests et des pull requests.
Principes fondamentaux de CI/CD, YAML et apprentissage automatique
Vous découvrirez les concepts fondamentaux du CI/CD et du YAML, et acquerrez une compréhension du cycle de vie du développement logiciel et des termes clés tels que « build », « test » et « deploy ». Vous définirez l'intégration continue, la livraison continue et le déploiement continu tout en examinant leurs distinctions. Vous découvrirez également l'utilité du CI/CD dans l'apprentissage automatique et l'expérimentation.Actions GitHub pour l'automatisation CI/CD
Vous découvrirez GA, une plateforme performante pour la mise en œuvre de workflows CI/CD. Vous découvrirez les différents éléments de GA, notamment les événements, les actions, les tâches, les étapes, les runners et le contexte. Vous apprendrez à définir des workflows déclenchés par des événements tels que les demandes push et pull, et à personnaliser les machines runner. Vous acquerrez également une expérience pratique en configurant des pipelines CI de base et en comprenant le journal GA.Gestion des versions des ensembles de données avec le contrôle de version des données
Vous approfondirez vos connaissances en matière de contrôle de version des données (DVC) pour la gestion des versions des ensembles de données, l'initialisation du DVC et le suivi des ensembles de données. Grâce aux pipelines DVC, vous apprendrez à former des modèles de classification et à générer des métriques de manière reproductible.Optimisation des performances du modèle et réglage des hyperparamètres
Vous allez maintenant vous concentrer sur l'analyse des performances des modèles et le réglage des hyperparamètres, et acquérir des compétences pratiques dans la comparaison des métriques et des graphiques entre les différentes branches afin de comparer les changements dans les performances des modèles. Vous apprendrez à télécharger des artefacts à l'aide de GA et à effectuer un réglage des hyperparamètres à l'aide de GridSearchCV de scikit-learn. De plus, vous découvrirez comment automatiser les demandes d'extraction avec la meilleure configuration de modèle.Prérequis
Programme de formation
Plan du cours
1
Introduction à l’Intégration Continue/Livraison Continue et à YAML
Dans ce chapitre, vous explorerez les principes essentiels de l’Intégration Continue/Livraison Continue (CI/CD) et de YAML. Vous comprendrez le cycle de vie du développement logiciel et des termes clés comme build, test et deploy. Découvrez les différences entre Intégration Continue, Livraison Continue et Déploiement Continu. Vous étudierez également l’importance de la CI/CD pour le Machine Learning et l’expérimentation.
- Introduction à l’Intégration continue/Livraison continue pour le Machine Learning50 XP
- Continuous deployment et delivery50 XP
- Workflow de machine learning100 XP
- Introduction à YAML50 XP
- Syntaxe YAML100 XP
- Correspondances et séquences YAML100 XP
- Introduction à GitHub Actions50 XP
- Utilité de GitHub Actions100 XP
- Anatomie de GitHub Actions100 XP
2
GitHub Actions
Préparez-vous à explorer GitHub Actions (GHA), une plateforme influente pour exécuter des workflows CI/CD. Découvrez les divers composants de GHA, notamment events, actions, jobs, steps, runners et context. Apprenez à créer des workflows déclenchés par des événements comme push et pull requests, et à personnaliser les machines runner. Passez à la pratique en mettant en place des pipelines CI fondamentaux et en comprenant les subtilités du journal (log) GHA.
3
Intégration Continue en Machine Learning
Dans ce chapitre, vous verrez comment intégrer l’entraînement de modèles de Machine Learning dans un pipeline GitHub Action à l’aide de Continuous Machine Learning GitHub Action. Vous générerez un rapport complet en Markdown incluant des métriques et des graphiques de modèle. Vous aborderez aussi la gestion de versions de données en Machine Learning en adoptant Data Version Control (DVC) pour suivre les évolutions des données. Le chapitre couvre également la configuration de remotes DVC et le transfert de jeux de données. Enfin, vous explorerez les pipelines DVC en configurant un fichier YAML DVC pour orchestrer un entraînement de modèle reproductible.
4
Comparer des entraînements et réglage d’hyperparamètres (HP)
Dans ce chapitre, vous vous concentrerez sur l’analyse des performances du modèle et le réglage des hyperparamètres. Vous acquerrez une expertise pratique pour comparer des métriques et des visualisations entre différentes branches afin d’évaluer les changements de performance du modèle. Vous allez
effectuer un réglage d’hyperparamètres avec GridSearchCV de scikit-learn. En outre, vous approfondirez l’automatisation de pull requests en utilisant la configuration de modèle optimale.
CI/CD pour le Machine Learning
Cours
terminé
