After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Kurs pomoże Ci usprawnić procesy tworzenia modeli machine learning, zwiększając efektywność, niezawodność i powtarzalność Twoich projektów. W trakcie kursu zdobędziesz kompleksowe zrozumienie przepływów pracy CI/CD oraz składni YAML, wykorzystując GitHub Actions (GA) do automatyzacji, trenowania modeli w potoku, wersjonowania zbiorów danych za pomocą DVC, przeprowadzania strojenia hiperparametrów oraz automatyzacji testów i pull requestów.
Podstawy CI/CD, YAML i uczenia maszynowego
Poznasz podstawowe pojęcia związane z CI/CD i YAML oraz zrozumiesz cykl życia oprogramowania i kluczowe terminy, takie jak build, test i deploy. Zdefiniujesz Continuous Integration, Continuous Delivery i Continuous Deployment, jednocześnie poznając różnice między nimi. Poznasz także zastosowanie CI/CD w uczeniu maszynowym i eksperymentowaniu.GitHub Actions do automatyzacji CI/CD
Dowiesz się o GA, potężnej platformie do wdrażania przepływów pracy CI/CD. Odkryjesz różne elementy GA, w tym zdarzenia, akcje, zadania, kroki, runnerów i kontekst. Nauczysz się definiować przepływy pracy wyzwalane przez zdarzenia, takie jak push i pull requesty, oraz dostosowywać maszyny runnerów. Zdobędziesz też praktyczne doświadczenie, konfigurując podstawowe potoki CI i poznając log GA.Wersjonowanie zbiorów danych za pomocą Data Version Control
Dogłębnie poznasz Data Version Control (DVC) do wersjonowania zbiorów danych, inicjalizacji DVC i śledzenia zbiorów danych. Korzystając z potoków DVC, nauczysz się trenować modele klasyfikacyjne i generować metryki w sposób powtarzalny.Optymalizacja wydajności modelu i strojenie hiperparametrów
Teraz skupisz się na analizie wydajności modelu i strojeniu hiperparametrów oraz zdobędziesz praktyczne umiejętności porównywania metryk i wykresów między gałęziami, aby analizować zmiany w wydajności modelu. Nauczysz się, jak pobierać artefakty za pomocą GA oraz przeprowadzać strojenie hiperparametrów przy użyciu GridSearchCV z biblioteki scikit-learn. Dodatkowo poznasz automatyzację pull requestów przy użyciu najlepszej konfiguracji modelu.Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do Continuous Integration/Continuous Delivery i YAML
W tym rozdziale poznasz podstawowe zasady Continuous Integration/Continuous Delivery (CI/CD) i YAML. Zrozumiesz cykl życia oprogramowania oraz kluczowe terminy: build, test i deploy. Odkryjesz różnice między Continuous Integration, Continuous Delivery i Continuous Deployment. Zbadasz też, jak ważną rolę odgrywa CI/CD w uczeniu maszynowym i eksperymentowaniu.
- Wprowadzenie do Continuous Integration/Continuous Delivery w uczeniu maszynowym50 XP
- Ciągłe wdrażanie a ciągłe dostarczanie50 XP
- Przepływ pracy w uczeniu maszynowym100 XP
- Wprowadzenie do YAML50 XP
- Składnia YAML100 XP
- Mapowania i sekwencje w YAML100 XP
- Wprowadzenie do GitHub Actions50 XP
- Zastosowanie GitHub Actions100 XP
- Anatomia GitHub Actions100 XP
2
GitHub Actions
Poznaj GitHub Actions (GHA) – wszechstronną platformę do wykonywania przepływów pracy CI/CD. Odkryj różnorodne składniki GHA: zdarzenia, akcje, zadania, kroki, runnery i kontekst. Dowiedz się, jak tworzyć przepływy pracy uruchamiane przez zdarzenia takie jak push i pull request, oraz jak dostosowywać maszyny runnerów. Ucz się przez praktykę: skonfiguruj podstawowe potoki CI i zgłęb szczegóły logów GHA.
3
Continuous Integration w uczeniu maszynowym
W tym rozdziale poznasz sposób integrowania trenowania modeli uczenia maszynowego z potokiem GitHub Actions przy użyciu akcji Continuous Machine Learning. Nauczysz się generować szczegółowy raport w formacie Markdown zawierający metryki modelu i wykresy. Zajmiesz się też wersjonowaniem danych w uczeniu maszynowym, korzystając z Data Version Control (DVC) do śledzenia zmian w danych. Rozdział obejmuje również konfigurowanie zdalnych repozytoriów DVC i transfer zbiorów danych. Na koniec poznasz potoki DVC i nauczysz się konfigurować plik YAML DVC, aby organizować odtwarzalne trenowanie modeli.
4
Porównywanie przebiegów trenowania i strojenie hiperparametrów (HP)
W tym rozdziale skupisz się na analizie wydajności modeli i strojeniu hiperparametrów. Zdobędziesz praktyczne umiejętności porównywania metryk i wizualizacji w różnych gałęziach, aby oceniać zmiany w wydajności modeli. Przeprowadzisz strojenie hiperparametrów za pomocą GridSearchCV z biblioteki scikit-learn. Ponadto zgłębisz automatyzację pull requestów z użyciem optymalnej konfiguracji modelu.
CI/CD dla uczenia maszynowego
Kurs
ukończony
