After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Kursus ini akan membekali Anda dengan kemampuan untuk mengoptimalkan proses pengembangan machine learning Anda, meningkatkan efisiensi, keandalan, dan reproduktifitas dalam proyek-proyek Anda. Selama kursus ini, Anda akan mengembangkan pemahaman yang komprehensif tentang alur kerja CI/CD dan sintaks YAML, menggunakan GitHub Actions (GA) untuk otomatisasi, melatih model dalam pipeline, mengelola versi dataset dengan DVC, melakukan penyesuaian hiperparameter, serta mengotomatisasi pengujian dan permintaan pull.
Dasar-dasar CI/CD, YAML, dan Pembelajaran Mesin
Anda akan diperkenalkan pada konsep dasar CI/CD dan YAML, serta memahami siklus hidup pengembangan perangkat lunak dan istilah-istilah penting seperti build, test, dan deploy. Anda akan mendefinisikan Continuous Integration, Continuous Delivery, dan Continuous Deployment sambil menganalisis perbedaannya. Anda juga akan menjelajahi kegunaan CI/CD dalam machine learning dan eksperimen.GitHub Actions untuk Otomatisasi CI/CD
Anda akan mempelajari tentang GA, platform yang kuat untuk mengimplementasikan alur kerja CI/CD. Anda akan menemukan berbagai elemen GA, termasuk peristiwa, tindakan, tugas, langkah, pelaksana, dan konteks. Anda akan belajar cara mendefinisikan alur kerja yang dipicu oleh peristiwa seperti permintaan push dan pull, serta menyesuaikan mesin runner. Anda juga akan mendapatkan pengalaman praktis dengan mengatur pipeline CI dasar dan memahami log GA.Pengelolaan Versi Data dengan Kontrol Versi Data
Anda akan mempelajari secara mendalam tentang Pengendalian Versi Data (DVC) untuk pengendalian versi dataset, menginisialisasi DVC, dan melacak dataset. Dengan menggunakan pipeline DVC, Anda akan belajar cara melatih model klasifikasi dan menghasilkan metrik secara reproducible.Optimasi Kinerja Model dan Penyesuaian Hiperparameter
Anda akan fokus pada analisis kinerja model dan penyesuaian hiperparameter, serta memperoleh keterampilan praktis dalam membandingkan metrik dan grafik antar cabang untuk membandingkan perubahan dalam kinerja model. Anda akan belajar cara mengunduh artefak menggunakan GA dan melakukan penyesuaian hiperparameter menggunakan GridSearchCV dari scikit-learn. Selain itu, Anda akan mempelajari cara mengotomatisasi permintaan pull dengan konfigurasi model terbaik.Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar Continuous Integration/Continuous Delivery dan YAML
Dalam bab ini, Anda akan mempelajari prinsip-prinsip esensial Continuous Integration/Continuous Delivery (CI/CD) dan YAML. Anda akan memahami siklus hidup pengembangan perangkat lunak dan istilah kunci seperti build, test, dan deploy. Temukan perbedaan antara Continuous Integration, Continuous Delivery, dan Continuous Deployment. Selain itu, Anda akan menelaah pentingnya CI/CD dalam Machine Learning dan eksperimen.
- Pengantar Continuous Integration/Continuous Delivery untuk Machine Learning50 XP
- Continuous deployment dan continuous delivery50 XP
- Alur kerja machine learning100 XP
- Pengantar YAML50 XP
- Sintaks YAML100 XP
- Pemetaan dan sekuens YAML100 XP
- Pengantar GitHub Actions50 XP
- Kegunaan GitHub Actions100 XP
- Anatomi GitHub Actions100 XP
2
GitHub Actions
Bersiaplah untuk mengeksplorasi GitHub Actions (GHA), sebuah platform berpengaruh untuk menjalankan alur kerja CI/CD. Temukan beragam komponen GHA, mencakup events, actions, jobs, steps, runners, dan context. Dapatkan wawasan dalam menyusun workflows yang aktif saat terjadi events seperti push dan pull request, serta menyesuaikan mesin runner. Perdalam pembelajaran praktis dengan menyiapkan pipeline CI mendasar dan memahami seluk-beluk log GHA.
3
Continuous Integration dalam Machine Learning
Dalam bab ini, Anda akan mengeksplorasi integrasi pelatihan model Machine Learning ke dalam pipeline GitHub Action menggunakan Continuous Machine Learning GitHub Action. Anda akan menghasilkan laporan markdown yang komprehensif mencakup metrik dan plot model. Anda juga akan mendalami versioning data dalam Machine Learning dengan mengadopsi Data Version Control (DVC) untuk melacak perubahan data. Bab ini juga membahas penyiapan DVC remote dan transfer himpunan data. Terakhir, Anda akan mengeksplorasi pipeline DVC, dengan mengonfigurasi berkas YAML DVC untuk mengorkestrasi pelatihan model yang dapat direproduksi.
4
Membandingkan proses pelatihan dan penalaan Hyperparameter (HP)
Dalam bab ini, Anda akan memusatkan perhatian pada analisis kinerja model dan penalaan hyperparameter. Anda akan memperoleh keahlian praktis dalam membandingkan metrik dan visualisasi di berbagai branch untuk menilai perubahan kinerja model. Anda akan
melakukan penalaan hyperparameter menggunakan GridSearchCV dari scikit-learn. Selain itu, Anda akan mendalami otomatisasi pull request menggunakan konfigurasi model yang optimal.
CI/CD untuk Machine Learning
Kursus
Selesai
