Build your ultimate AI agent
Kursbeskrivning
Kursen ger dig verktygen att effektivisera dina maskininlärningsprocesser och förbättra effektiviteten, tillförlitligheten och reproducerbarheten i dina projekt. Under hela kursen kommer du att utveckla en heltäckande förståelse för CI/CD-arbetsflöden och YAML-syntax, använda GitHub Actions (GA) för automatisering, träna modeller i en pipeline, versionshantera dataset med DVC, utföra hyperparameteroptimering och automatisera testning och pull requests.
Grunderna i CI/CD, YAML och maskininlärning
Du kommer att introduceras till de grundläggande koncepten inom CI/CD och YAML, och få en förståelse för mjukvaruutvecklingslivscykeln samt viktiga termer som build, test och deploy. Du kommer att definiera Continuous Integration, Continuous Delivery och Continuous Deployment samtidigt som du granskar deras skillnader. Du kommer också att utforska nyttan med CI/CD inom maskininlärning och experimentering.GitHub Actions för CI/CD-automatisering
Du kommer att lära dig om GA, en kraftfull plattform för att implementera CI/CD-arbetsflöden. Du kommer att upptäcka de olika delarna av GA, inklusive events, actions, jobs, steps, runners och context. Du kommer att lära dig hur du definierar arbetsflöden som utlöses av händelser som push- och pull requests samt anpassar runner-maskiner. Du får också praktisk erfarenhet genom att sätta upp grundläggande CI-pipelines och förstå GA-loggen.Versionshantering av datamängder med Data Version Control
Du kommer att fördjupa dig i Data Version Control (DVC) för versionshantering av datamängder, initiera DVC och spåra datamängder. Med DVC-pipelines lär du dig hur du tränar klassificeringsmodeller och genererar mätvärden på ett reproducerbart sätt.Optimera modellprestanda och hyperparameterjustering
Nu kommer du att fokusera på analys av modellprestanda och hyperparameterjustering samt få praktiska färdigheter i att jämföra metriker och diagram mellan grenar för att se förändringar i modellprestanda. Du lär dig hur du laddar ner artefakter med GA och utför hyperparameteroptimering med scikit-learns GridSearchCV. Dessutom kommer du att utforska hur du automatiserar pull requests med den bästa modellkonfigurationen.Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till Continuous Integration/Continuous Delivery och YAML
I det här kapitlet utforskar du grundprinciperna för Continuous Integration/Continuous Delivery (CI/CD) och YAML. Du får förståelse för livscykeln inom mjukvaruutveckling och nyckeltermer som bygga, testa och driftsätta. Du lär dig skillnaderna mellan Continuous Integration, Continuous Delivery och Continuous Deployment. Dessutom undersöker du varför CI/CD är viktigt inom maskininlärning och experimenterande.
- Introduktion till CI/CD för maskininlärning50 XP
- Kontinuerlig driftsättning och leverans50 XP
- Maskininlärningsarbetsflöde100 XP
- Introduktion till YAML50 XP
- YAML-syntax100 XP
- YAML-mappningar och sekvenser100 XP
- Introduktion till GitHub Actions50 XP
- Nyttan med GitHub Actions100 XP
- GitHub Actions uppbyggnad100 XP
2
GitHub Actions
Här utforskar du GitHub Actions (GHA), en kraftfull plattform för att köra CI/CD-arbetsflöden. Du lär dig om de olika komponenterna i GHA – händelser, actions, jobb, steg, runners och kontext. Du får inblick i hur du skapar arbetsflöden som aktiveras av händelser som push och pull requests, och hur du anpassar runner-maskiner. Genom praktiska övningar sätter du upp grundläggande CI-pipelines och lär dig förstå GHA-loggen.
3
Continuous Integration inom maskininlärning
I det här kapitlet utforskar du hur maskininlärningsträning integreras i en GitHub Actions-pipeline med hjälp av Continuous Machine Learning GitHub Action. Du genererar en detaljerad markdown-rapport med modellmätvärden och diagram. Du fördjupar dig även i dataversionshantering inom maskininlärning genom att använda Data Version Control (DVC) för att spåra dataförändringar. Kapitlet tar också upp hur du konfigurerar DVC-fjärrkällor och överför datamängder. Slutligen utforskar du DVC-pipelines och konfigurerar en DVC YAML-fil för att orkestrera reproducerbar modellträning.
4
Jämföra träningskörningar och hyperparameterjustering (HP)
I det här kapitlet fokuserar du på analys av modellprestanda och finjustering av hyperparametrar. Du skaffar dig praktisk erfarenhet av att jämföra mätvärden och visualiseringar mellan olika grenar för att bedöma förändringar i modellprestanda. Du utför hyperparameterjustering med scikit-learns GridSearchCV. Dessutom fördjupar du dig i hur pull requests kan automatiseras med den optimala modellkonfigurationen.
CI/CD för maskininlärning
Kurs
slutförd
