Machine Learning のための CI/CD

このコースでは、機械学習の開発プロセスを効率化し、プロジェクトの効率性、信頼性、再現性を高める方法を学べます。 コースを通じて、CI/CDワークフローとYAML構文を幅広く理解し、GitHub Actions（GA）を使った自動化、パイプラインでのモデルのトレーニング、DVCによるデータセットのバージョン管理、ハイパーパラメータのチューニング、テストやプルリクエストの自動化に取り組みます。

CI/CD、YAML、機械学習の基礎

CI/CDとYAMLの基本概念を学び、ソフトウェア開発ライフサイクルへの理解を深めるとともに、ビルド、テスト、デプロイなどの重要な用語を習得します。 継続的インテグレーション、継続的デリバリー、継続的デプロイメントを定義し、それぞれの違いを確認します。 機械学習や実験におけるCI/CDの活用方法についても学びます。

GitHub ActionsによるCI/CD自動化

CI/CDワークフローを実装するための強力なプラットフォーム、GAについて学びます。 イベント、アクション、ジョブ、ステップ、ランナー、文脈など、GAを構成するさまざまな要素について学びます。 プッシュやプルリクエストなどのイベントをトリガーにワークフローを定義し、ランナーマシンをカスタマイズする方法を学びます。 基本的なCIパイプラインを構築し、GAログについて理解を深めることで、実践的な経験も積めます。

データバージョン管理によるデータセットのバージョン管理

データバージョン管理（DVC）を深く学び、データセットのバージョン管理やDVCの初期化、データセットの追跡方法を習得します。 DVCパイプラインを使って、分類モデルのトレーニングや指標の生成を再現可能な形で行う方法を学びます。

モデルのパフォーマンス最適化とハイパーパラメータ調整

ここからは、モデルのパフォーマンス分析とハイパーパラメータ調整に取り組み、ブランチ間で指標やプロットの差分を比較して、モデルのパフォーマンスの変化を評価する実践的なスキルを身につけます。 GAを使ったアーティファクトのダウンロード方法と、scikit-learnのGridSearchCVを使ったハイパーパラメータのチューニング方法を学びます。 さらに、最適なモデル構成を使ってプルリクエストを自動化する方法も学びます。