After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
De cursus stelt je in staat om je machine learning-ontwikkelprocessen te stroomlijnen, waardoor de efficiëntie, betrouwbaarheid en reproduceerbaarheid van je projecten worden verbeterd. Gedurende de cursus ontwikkel je een uitgebreid begrip van CI/CD-workflows en YAML-syntaxis, waarbij je GitHub Actions (GA) gebruikt voor automatisering, modellen traint in een pipeline, datasets versieert met DVC, hyperparameterafstemming uitvoert en tests en pull requests automatiseert.
Basisprincipes van CI/CD, YAML en Machine Learning
Je maakt kennis met de fundamentele concepten van CI/CD en YAML, en krijgt inzicht in de softwareontwikkelingslevenscyclus en belangrijke termen zoals build, test en deploy. Je definieert Continuous Integration, Continuous Delivery en Continuous Deployment terwijl je hun verschillen onderzoekt. Je verkent ook het nut van CI/CD binnen machine learning en experimentatie.GitHub Actions voor CI/CD-automatisering
Je leert over GA, een krachtig platform voor het implementeren van CI/CD-workflows. Je ontdekt de verschillende elementen van GA, waaronder events, actions, jobs, steps, runners en context. Je leert hoe je workflows definieert die worden geactiveerd door gebeurtenissen zoals push- en pull requests, en hoe je runner-machines aanpast. Je doet ook praktische ervaring op door basis-CI-pipelines op te zetten en de GA-log te begrijpen.Datasets versiebeheer met Data Version Control
Je duikt diep in Data Version Control (DVC) voor het versiebeheer van datasets, het initialiseren van DVC en het volgen van datasets. Met behulp van DVC-pipelines leer je hoe je classificatiemodellen traint en op reproduceerbare wijze metrics genereert.Modelprestaties optimaliseren en hyperparameterafstemming
Je richt je nu op het analyseren van modelprestaties en hyperparameterafstemming en doet praktische vaardigheden op in het vergelijken van metrics en grafieken tussen branches om veranderingen in modelprestaties te vergelijken. Je leert hoe je artefacten kunt downloaden met GA en hyperparameterafstemming kunt uitvoeren met scikit-learns GridSearchCV. Daarnaast ontdek je hoe je pull requests kunt automatiseren met de beste modelconfiguratie.Vereisten
Curriculum
Cursusoverzicht
1
Inleiding tot Continuous Integration/Continuous Delivery en YAML
In dit hoofdstuk verken je de essentiële principes van Continuous Integration/Continuous Delivery (CI/CD) en YAML. Je krijgt grip op de softwareontwikkelingslevenscyclus en kernbegrippen zoals build, test en deploy. Ontdek de verschillen tussen Continuous Integration, Continuous Delivery en Continuous Deployment. Daarnaast onderzoek je het belang van CI/CD voor Machine Learning en experimentatie.
- Introductie tot Continuous Integration/Continuous Delivery voor Machine Learning50 XP
- Continuous deployment en delivery50 XP
- Machine learning-workflow100 XP
- Introductie tot YAML50 XP
- YAML-syntaxis100 XP
- YAML-mappings en -reeksen100 XP
- Introductie tot GitHub Actions50 XP
- Nut van GitHub Actions100 XP
- Anatomie van GitHub Actions100 XP
2
GitHub Actions
Maak je klaar om GitHub Actions (GHA) te verkennen, een krachtig platform voor het uitvoeren van CI/CD-workflows. Ontdek de diverse componenten van GHA, waaronder events, actions, jobs, steps, runners en context. Krijg inzicht in het opstellen van workflows die worden geactiveerd door events zoals push en pull requests, en pas runner-machines aan. Ga hands-on aan de slag terwijl je fundamentele CI-pipelines opzet en de finesses van de GHA-log leert begrijpen.
3
Continuous Integration in Machine Learning
In dit hoofdstuk verken je het integreren van het trainen van Machine Learning-modellen in een GitHub Action-pipeline met behulp van Continuous Machine Learning GitHub Action. Je genereert een uitgebreid markdown-rapport met modelstatistieken en grafieken. Je duikt ook in dataversiebeheer in Machine Learning door Data Version Control (DVC) te gebruiken om wijzigingen in data te volgen. Het hoofdstuk behandelt ook het instellen van DVC-remotes en het overzetten van gegevenssets. Tot slot verken je DVC-pipelines en configureer je een DVC YAML-bestand om reproduceerbare modeltraining aan te sturen.
4
Trainingruns vergelijken en Hyperparameter (HP) tuning
In dit hoofdstuk richt je je op de analyse van modelprestaties en het fijn afstellen van hyperparameters. Je verwerft praktische expertise in het vergelijken van metrics en visualisaties over verschillende branches om veranderingen in modelprestaties te beoordelen. Je zult
hyperparameter-tuning uitvoeren met GridSearchCV van scikit-learn. Verder duik je in het automatiseren van pull requests met de optimale modelconfiguratie.
CI/CD voor Machine Learning
Cursus
voltooid
