Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
O curso vai te ajudar a otimizar seus processos de desenvolvimento de machine learning, aumentando a eficiência, a confiabilidade e a reprodutibilidade dos seus projetos. Ao longo do curso, você vai entender bem os fluxos de trabalho de CI/CD e a sintaxe YAML, usando o GitHub Actions (GA) pra automação, treinando modelos em um pipeline, controlando versões de conjuntos de dados com DVC, ajustando hiperparâmetros e automatizando testes e pull requests.
Fundamentos de CI/CD, YAML e machine learning
Você vai conhecer os conceitos básicos de CI/CD e YAML e entender o ciclo de vida do desenvolvimento de software e termos importantes como compilação, teste e implantação. Você vai entender o que é integração contínua, entrega contínua e implantação contínua, além de ver as diferenças entre elas. Você também vai ver como o CI/CD pode ajudar no machine learning e na experimentação.Ações do GitHub para automação de CI/CD
Você vai aprender sobre o GA, uma plataforma poderosa para implementar fluxos de trabalho de CI/CD. Você vai descobrir os vários elementos do GA, incluindo eventos, ações, tarefas, etapas, executores e contexto. Você vai aprender a definir fluxos de trabalho acionados por eventos como solicitações push e pull e personalizar máquinas executoras. Você também vai ganhar experiência prática configurando pipelines básicos de CI e entendendo o log do GA.Controle de versões de conjuntos de dados com controle de versão de dados
Você vai mergulhar fundo no Controle de Versão de Dados (DVC) para controlar versões de conjuntos de dados, inicializar o DVC e acompanhar conjuntos de dados. Usando pipelines DVC, você vai aprender a treinar modelos de classificação e gerar métricas de um jeito que dá pra reproduzir.Otimizando o desempenho do modelo e ajustando os hiperparâmetros
Agora você vai se concentrar na análise de desempenho do modelo e no ajuste de hiperparâmetros, além de adquirir habilidades práticas na comparação de métricas e gráficos entre ramificações para comparar as mudanças no desempenho do modelo. Você vai aprender a baixar artefatos usando GA e fazer o ajuste de hiperparâmetros usando o GridSearchCV do scikit-learn. Além disso, você vai ver como automatizar pull requests com a melhor configuração de modelo.Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução a Continuous Integration/Continuous Delivery e YAML
Neste capítulo, você vai explorar os princípios essenciais de Continuous Integration/Continuous Delivery (CI/CD) e YAML. Você vai entender o ciclo de vida do desenvolvimento de software e termos-chave como build, test e deploy. Descubra as diferenças entre Continuous Integration, Continuous Delivery e Continuous Deployment. Além disso, investigue a importância de CI/CD em Machine Learning e em experimentação.
- Introdução a Continuous Integration/Continuous Delivery para Machine Learning50 XP
- Continuous deployment e delivery50 XP
- Fluxo de trabalho de machine learning100 XP
- Introdução ao YAML50 XP
- Sintaxe YAML100 XP
- Mapeamentos e sequências em YAML100 XP
- Introdução ao GitHub Actions50 XP
- Utilidade do GitHub Actions100 XP
- Anatomia do GitHub Actions100 XP
2
GitHub Actions
Prepare-se para explorar o GitHub Actions (GHA), uma plataforma influente para executar fluxos de trabalho de CI/CD. Conheça os diversos componentes do GHA, abrangendo events, actions, jobs, steps, runners e context. Entenda como criar workflows que disparam com eventos como push e pull requests e como ajustar as máquinas runner. Mergulhe no aprendizado prático ao configurar pipelines fundamentais de CI e compreender os detalhes do log do GHA.
3
Continuous Integration em Machine Learning
Neste capítulo, você vai explorar a integração do treinamento de modelos de Machine Learning em um pipeline do GitHub Actions usando o Continuous Machine Learning GitHub Action. Você vai gerar um relatório completo em Markdown, incluindo métricas e gráficos do modelo. Também vai se aprofundar em versionamento de dados em Machine Learning adotando o Data Version Control (DVC) para acompanhar mudanças nos dados. O capítulo também aborda a configuração de remotes do DVC e a transferência de conjuntos de dados. Por fim, você vai explorar pipelines do DVC, configurando um arquivo YAML do DVC para orquestrar um treinamento de modelo reprodutível.
4
Comparando execuções de treino e ajuste de Hiperparâmetros (HP)
Neste capítulo, você vai direcionar sua atenção para a análise de desempenho do modelo e o ajuste de hiperparâmetros. Você vai adquirir experiência prática ao comparar métricas e visualizações entre diferentes branches para avaliar mudanças no desempenho do modelo. Você vai
realizar ajuste de hiperparâmetros usando o GridSearchCV do scikit-learn. Além disso, você vai explorar a automação de pull requests usando a configuração de modelo ideal.
CI/CD para Machine Learning
Curso
concluído
