Build your ultimate AI agent
Описание курса
Курс поможет вам оптимизировать процессы разработки машинного обучения, повышая эффективность, надежность и воспроизводимость ваших проектов. На протяжении всего курса вы сформируете всестороннее понимание рабочих процессов CI/CD и синтаксиса YAML, используя GitHub Actions (GA) для автоматизации, обучая модели в конвейере, версионируя наборы данных с помощью DVC, выполняя настройку гиперпараметров и автоматизируя тестирование и pull request'ы.
Основы CI/CD, YAML и машинного обучения
Вы познакомитесь с базовыми концепциями CI/CD и YAML, а также получите представление о жизненном цикле разработки ПО и ключевых терминах, таких как сборка, тестирование и развертывание. Вы определите Continuous Integration, Continuous Delivery и Continuous Deployment, изучая их различия. Вы также познакомитесь с полезностью CI/CD в машинном обучении и экспериментах.GitHub Actions для автоматизации CI/CD
Вы узнаете о GA — мощной платформе для реализации рабочих процессов CI/CD. Вы познакомитесь с различными элементами GA, включая события, действия, задания, шаги, исполнителей и контекст. Вы узнаете, как определять рабочие процессы, запускаемые событиями, такими как push и pull request, а также настраивать машины runner. Вы также получите практический опыт, настраивая базовые CI-пайплайны и разбираясь в GA log.Версионирование наборов данных с помощью Data Version Control
Вы подробно изучите Data Version Control (DVC) для версионирования наборов данных, инициализации DVC и отслеживания наборов данных. Используя конвейеры DVC, вы узнаете, как обучать модели классификации и получать метрики воспроизводимым образом.Оптимизация производительности модели и настройка гиперпараметров
Теперь вы сосредоточитесь на анализе производительности модели и настройке гиперпараметров, а также получите практические навыки сравнения метрик и графиков между ветками, чтобы оценивать изменения в производительности модели. Вы узнаете, как загружать артефакты с помощью GA и выполнять настройку гиперпараметров с использованием GridSearchCV из scikit-learn. Кроме того, вы изучите автоматизацию pull request с помощью оптимальной конфигурации модели.Предварительные требования
Программа
Структура курса
1
Введение в непрерывную интеграцию/непрерывную доставку и YAML
В этой главе вы познакомитесь с основными принципами непрерывной интеграции/непрерывной доставки (CI/CD) и YAML. Вы разберёте жизненный цикл разработки программного обеспечения и ключевые термины: сборка, тестирование и развёртывание. Вы узнаете о различиях между непрерывной интеграцией, непрерывной доставкой и непрерывным развёртыванием, а также исследуете значимость CI/CD в машинном обучении и экспериментировании.
- Введение в непрерывную интеграцию и непрерывную доставку для машинного обучения50 XP
- Непрерывное развёртывание и непрерывная доставка50 XP
- Рабочий процесс машинного обучения100 XP
- Введение в YAML50 XP
- Синтаксис YAML100 XP
- Отображения и последовательности в YAML100 XP
- Введение в GitHub Actions50 XP
- Применение GitHub Actions100 XP
- Структура GitHub Actions100 XP
2
GitHub Actions
Вас ждёт знакомство с GitHub Actions (GHA) — мощной платформой для выполнения рабочих процессов CI/CD. Вы изучите компоненты GHA: события, действия, задачи, шаги, раннеры и контекст. Вы научитесь создавать рабочие процессы, которые запускаются по событиям — например, push и pull request, — а также настраивать раннеры. В ходе практических заданий вы настроите базовые CI-пайплайны и разберётесь в структуре журнала GHA.
3
Непрерывная интеграция в машинном обучении
В этой главе вы изучите интеграцию обучения моделей машинного обучения в пайплайн GitHub Actions с использованием Continuous Machine Learning GitHub Action. Вы научитесь формировать подробный отчёт в формате Markdown, включающий метрики и графики модели. Также вы познакомитесь с версионированием данных в машинном обучении с помощью Data Version Control (DVC) для отслеживания изменений в данных. В главе рассматриваются настройка удалённых хранилищ DVC и передача наборов данных. В завершение вы изучите пайплайны DVC и научитесь настраивать YAML-файл DVC для организации воспроизводимого обучения модели.
4
Сравнение обучающих запусков и подбор гиперпараметров (HP)
В этой главе вы сосредоточитесь на анализе производительности модели и тонкой настройке гиперпараметров. Вы получите практические навыки сравнения метрик и визуализаций в разных ветках, чтобы оценивать изменения в производительности модели. Вы выполните подбор гиперпараметров с помощью GridSearchCV из scikit-learn. Кроме того, вы изучите автоматизацию pull request с использованием оптимальной конфигурации модели.
CI/CD для машинного обучения
Курс
завершён
