După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Cursul vă va ajuta să vă eficientizați procesele de dezvoltare a modelelor de machine learning, sporind eficiența, fiabilitatea și reproductibilitatea proiectelor dumneavoastră. Pe parcursul cursului, vei dezvolta o înțelegere cuprinzătoare a fluxurilor de lucru CI/CD și a sintaxei YAML, folosind GitHub Actions (GA) pentru automatizare, antrenând modele într-un pipeline, versionând seturi de date cu DVC, efectuând ajustarea hiperparametrilor și automatizând testarea și pull request-urile.
Fundamentele CI/CD, YAML și Machine Learning
Veți face cunoștință cu conceptele fundamentale de CI/CD și YAML și veți înțelege ciclul de viață al dezvoltării software, precum și termeni-cheie precum build, test și deploy. Vei defini Integrarea Continuă, Livrarea Continuă și Implementarea Continuă, analizând în același timp diferențele dintre ele. Vei explora, de asemenea, utilitatea CI/CD în machine learning și experimentare.GitHub Actions pentru automatizarea CI/CD
Vei învăța despre GA, o platformă puternică pentru implementarea fluxurilor de lucru CI/CD. Vei descoperi diferitele elemente ale GA, inclusiv evenimente, acțiuni, joburi, pași, runneri și context. Vei învăța cum să definești fluxuri de lucru declanșate de evenimente precum push și pull request-uri și să personalizezi mașinile runner. Vei dobândi, de asemenea, experiență practică prin configurarea unor pipeline-uri CI de bază și înțelegerea logului GA.Versionarea seturilor de date cu Data Version Control
Veți aprofunda Data Version Control (DVC) pentru versionarea seturilor de date, inițializarea DVC și urmărirea seturilor de date. Folosind pipeline-uri DVC, vei învăța cum să antrenezi modele de clasificare și să generezi metrici într-un mod reproductibil.Optimizarea performanței modelului și ajustarea hiperparametrilor
Acum te vei concentra pe analiza performanței modelului și ajustarea hiperparametrilor și vei dobândi abilități practice în compararea metricilor și graficelor între ramuri pentru a compara modificările performanței modelului. Veți învăța cum să descărcați artefacte folosind GA și să efectuați ajustarea hiperparametrilor folosind GridSearchCV din scikit-learn. În plus, vei explora automatizarea pull request-urilor cu cea mai bună configurație a modelului.Cerințe prealabile
Programă
Planul cursului
1
Introducere în Continuous Integration/Continuous Delivery și YAML
În acest capitol, vei explora principiile esențiale ale Continuous Integration/Continuous Delivery (CI/CD) și YAML. Vei înțelege ciclul de viață al dezvoltării software și termeni-cheie precum build, test și deploy. Vei descoperi diferențele dintre Integrarea Continuă, Livrarea Continuă și Deployment-ul Continuu. În plus, vei investiga importanța CI/CD în machine learning și experimentare.
- Introducere în Continuous Integration/Continuous Delivery pentru Machine Learning50 XP
- Implementarea continuă și livrarea continuă50 XP
- Fluxul de lucru în machine learning100 XP
- Introducere în YAML50 XP
- Sintaxa YAML100 XP
- Mapări și secvențe YAML100 XP
- Introducere în GitHub Actions50 XP
- Utilitatea GitHub Actions100 XP
- Anatomia GitHub Actions100 XP
2
GitHub Actions
Pregătește-te să explorezi GitHub Actions (GHA), o platformă influentă pentru executarea fluxurilor CI/CD. Vei descoperi componentele diverse ale GHA, care includ evenimente, acțiuni, joburi, pași, runnere și context. Vei înțelege cum să creezi fluxuri de lucru care se activează la evenimente precum push și pull request și cum să personalizezi mașinile runner. Vei învăța practic cum să configurezi pipeline-uri CI de bază și să înțelegi detaliile log-ului GHA.
3
Continuous Integration în Machine Learning
În acest capitol, vei explora integrarea antrenamentului modelelor de machine learning într-un pipeline GitHub Actions folosind acțiunea Continuous Machine Learning. Vei genera un raport markdown detaliat care include metrici și grafice ale modelului. Vei aprofunda și versionarea datelor în machine learning, adoptând Data Version Control (DVC) pentru a urmări modificările datelor. Capitolul acoperă, de asemenea, configurarea remote-urilor DVC și transferul seturilor de date. În final, vei explora pipeline-urile DVC, configurând un fișier YAML DVC pentru a orchestra antrenamentul reproductibil al modelelor.
4
Compararea rulărilor de antrenament și ajustarea hiperparametrilor (HP)
În acest capitol, îți vei concentra atenția asupra analizei performanței modelelor și a ajustării hiperparametrilor. Vei dobândi expertiză practică în compararea metricilor și a vizualizărilor între branch-uri diferite, pentru a evalua modificările în performanța modelului. Vei efectua ajustarea hiperparametrilor folosind `GridSearchCV` din scikit-learn. În plus, vei explora automatizarea pull request-urilor folosind configurația optimă a modelului.
CI/CD pentru Machine Learning
Curs
finalizat
