After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Il corso ti aiuterà a semplificare i tuoi processi di sviluppo del machine learning, migliorando l'efficienza, l'affidabilità e la riproducibilità dei tuoi progetti. Durante il corso, imparerai tutto quello che c'è da sapere sui flussi di lavoro CI/CD e sulla sintassi YAML, usando GitHub Actions (GA) per automatizzare le cose, addestrando modelli in una pipeline, gestendo le versioni dei set di dati con DVC, ottimizzando gli iperparametri e automatizzando i test e le richieste pull.
Nozioni di base su CI/CD, YAML e machine learning
Ti spiegheremo i concetti base di CI/CD e YAML e ti aiuteremo a capire il ciclo di vita dello sviluppo software e termini chiave come build, test e deploy. Definirete i concetti di integrazione continua, consegna continua e implementazione continua, esaminandone le differenze. Scoprirai anche quanto è utile il CI/CD nell'apprendimento automatico e nella sperimentazione.GitHub Actions per l'automazione CI/CD
Scoprirai GA, una piattaforma super utile per mettere in atto i flussi di lavoro CI/CD. Scoprirai i vari elementi di GA, come eventi, azioni, lavori, passaggi, runner e contesto. Imparerai a impostare i flussi di lavoro che partono da eventi come le richieste push e pull e a personalizzare le macchine runner. Acquisirai anche esperienza pratica configurando pipeline CI di base e imparando a capire il log GA.Gestione delle versioni dei set di dati con il controllo delle versioni dei dati
Approfondirai il Data Version Control (DVC) per gestire le versioni dei set di dati, avviare il DVC e tenere traccia dei set di dati. Usando le pipeline DVC, imparerai come addestrare modelli di classificazione e creare metriche in modo che si possano ripetere.Ottimizzazione delle prestazioni del modello e regolazione degli iperparametri
Ora ti concentrerai sull'analisi delle prestazioni del modello e sulla regolazione degli iperparametri e imparerai a confrontare metriche e grafici tra i vari rami per vedere come cambiano le prestazioni del modello. Imparerai come scaricare gli artefatti usando GA e come fare la regolazione degli iperparametri con GridSearchCV di scikit-learn. In più, scoprirai come automatizzare le richieste pull con la configurazione migliore del modello.Prerequisiti
Curriculum
Programma del corso
1
Introduzione a Continuous Integration/Continuous Delivery e YAML
In questo capitolo esplorerai i principi essenziali di Continuous Integration/Continuous Delivery (CI/CD) e YAML. Comprenderai il ciclo di vita dello sviluppo software e termini chiave come build, test e deploy. Scoprirai le differenze tra Continuous Integration, Continuous Delivery e Continuous Deployment. Inoltre, analizzerai l’importanza del CI/CD nel Machine Learning e nella sperimentazione.
- Introduzione a Continuous Integration/Continuous Delivery per il Machine Learning50 XP
- Continuous deployment e delivery50 XP
- Workflow di machine learning100 XP
- Introduzione a YAML50 XP
- Sintassi YAML100 XP
- Mapping e sequenze in YAML100 XP
- Introduzione a GitHub Actions50 XP
- Utilità di GitHub Actions100 XP
- Anatomia di GitHub Actions100 XP
2
GitHub Actions
Preparati a esplorare GitHub Actions (GHA), una piattaforma influente per eseguire workflow CI/CD. Scopri i diversi componenti di GHA, tra cui events, actions, jobs, steps, runners e context. Capirai come creare workflow che si attivano con eventi come push e pull request e come personalizzare le macchine runner. Metti subito le mani in pasta impostando pipeline CI di base e comprendendo a fondo il log di GHA.
3
Continuous Integration nel Machine Learning
In questo capitolo esplorerai l’integrazione dell’addestramento dei modelli di Machine Learning in una pipeline GitHub Action usando Continuous Machine Learning GitHub Action. Genererai un report markdown completo con metriche e grafici del modello. Approfondirai anche la versionatura dei dati nel Machine Learning adottando Data Version Control (DVC) per tracciare le modifiche ai dati. Il capitolo copre inoltre la configurazione dei remoti DVC e il trasferimento degli insiemi di dati. Infine, esplorerai le pipeline DVC, configurando un file YAML di DVC per orchestrare un training riproducibile del modello.
4
Confronto delle esecuzioni di training e tuning degli iperparametri (HP)
In questo capitolo concentrerai l’attenzione sull’analisi delle prestazioni del modello e sulla messa a punto degli iperparametri. Acquisirai competenze pratiche nel confronto di metriche e visualizzazioni tra branch diversi per valutare i cambiamenti nelle prestazioni del modello. Eseguirai
il tuning degli iperparametri utilizzando GridSearchCV di scikit-learn. Inoltre, approfondirai l’automazione delle pull request usando la configurazione di modello ottimale.
CI/CD per Machine Learning
Corso
completato
