Name: CI/CD สำหรับ Machine Learning
Rating: 4.773955773955774 (407 reviews)

รายละเอียดคอร์ส

คอร์สนี้จะช่วยให้คุณปรับกระบวนการพัฒนาแมชชีนเลิร์นนิงให้คล่องตัวขึ้น เพิ่มประสิทธิภาพ ความน่าเชื่อถือ และความสามารถในการทำซ้ำได้ในโปรเจกต์ของคุณ ตลอดทั้งหลักสูตร คุณจะได้พัฒนาความเข้าใจอย่างครอบคลุมเกี่ยวกับเวิร์กโฟลว์ CI/CD และไวยากรณ์ YAML โดยใช้ GitHub Actions (GA) สำหรับการทำงานอัตโนมัติ ฝึกโมเดลในไปป์ไลน์ จัดการเวอร์ชันชุดข้อมูลด้วย DVC ทำการปรับแต่งไฮเปอร์พารามิเตอร์ และทำให้การทดสอบและการสร้าง pull request เป็นอัตโนมัติ

พื้นฐานของ CI/CD, YAML และ Machine Learning

คุณจะได้รู้จักแนวคิดพื้นฐานของ CI/CD และ YAML พร้อมทั้งทำความเข้าใจวงจรชีวิตการพัฒนาซอฟต์แวร์ และคำสำคัญอย่าง build, test และ deploy คุณจะได้เรียนรู้ความหมายของ Continuous Integration, Continuous Delivery และ Continuous Deployment พร้อมทั้งทำความเข้าใจความแตกต่างระหว่างแนวคิดเหล่านี้ คุณจะได้สำรวจประโยชน์ของ CI/CD ในแมชชีนเลิร์นนิงและการทดลองด้วย

GitHub Actions สำหรับการทำงานอัตโนมัติ CI/CD

คุณจะได้เรียนรู้เกี่ยวกับ GA ซึ่งเป็นแพลตฟอร์มอันทรงพลังสำหรับการนำเวิร์กโฟลว์ CI/CD ไปใช้งาน คุณจะได้ค้นพบองค์ประกอบต่างๆ ของ GA รวมถึง events, actions, jobs, steps, runners และ context. คุณจะได้เรียนรู้วิธีการกำหนดเวิร์กโฟลว์ที่ถูกทริกเกอร์โดยเหตุการณ์ต่างๆ เช่น push และ pull requests และปรับแต่งเครื่องรันเนอร์ คุณจะได้รับประสบการณ์เชิงปฏิบัติเพิ่มเติมด้วยการตั้งค่า CI pipeline พื้นฐานและทำความเข้าใจ GA log

การจัดการเวอร์ชันชุดข้อมูลด้วย Data Version Control

คุณจะได้เจาะลึก Data Version Control (DVC) สำหรับการจัดการเวอร์ชันชุดข้อมูล การเริ่มต้นใช้งาน DVC และการติดตามชุดข้อมูล ด้วยการใช้ไปป์ไลน์ DVC คุณจะได้เรียนรู้วิธีฝึกโมเดลการจำแนกประเภทและสร้างเมตริกอย่างทำซ้ำได้

การปรับประสิทธิภาพโมเดลและการจูนไฮเปอร์พารามิเตอร์

ตอนนี้คุณจะมุ่งเน้นไปที่การวิเคราะห์ประสิทธิภาพของโมเดลและการจูนไฮเปอร์พารามิเตอร์ พร้อมทั้งพัฒนาทักษะเชิงปฏิบัติในการเปรียบเทียบความแตกต่างของเมตริกและกราฟระหว่างสาขาต่างๆ เพื่อเปรียบเทียบการเปลี่ยนแปลงของประสิทธิภาพโมเดล คุณจะได้เรียนรู้วิธีดาวน์โหลดอาร์ติแฟกต์โดยใช้ GA และทำการปรับแต่งไฮเปอร์พารามิเตอร์ด้วย GridSearchCV ของ scikit-learn นอกจากนี้ คุณจะได้สำรวจการทำให้ pull requests เป็นอัตโนมัติด้วยการกำหนดค่ารุ่นที่ดีที่สุด

ข้อกำหนดเบื้องต้น

MLOps Concepts Supervised Learning with scikit-learn Intermediate Git

หลักสูตร

โครงสร้างคอร์ส

บทนำสู่ Continuous Integration/Continuous Delivery และ YAML

ในบทนี้ คุณจะได้เรียนรู้หลักการสำคัญของ Continuous Integration/Continuous Delivery (CI/CD) และ YAML รวมถึงทำความเข้าใจวงจรการพัฒนาซอฟต์แวร์และคำศัพท์หลัก เช่น build, test และ deploy นอกจากนี้ยังได้เรียนรู้ความแตกต่างระหว่าง Continuous Integration, Continuous Delivery และ Continuous Deployment รวมถึงความสำคัญของ CI/CD ในงาน Machine Learning และการทดลอง

เริ่มบทเรียน

GitHub Actions

พร้อมแล้วก็ไปสำรวจ GitHub Actions (GHA) กันเลย แพลตฟอร์มที่ทรงพลังสำหรับการรัน CI/CD workflow คุณจะได้ทำความรู้จักกับองค์ประกอบต่าง ๆ ของ GHA ทั้ง events, actions, jobs, steps, runners และ context รวมถึงเรียนรู้การสร้าง workflow ที่ทำงานเมื่อเกิด events อย่าง push และ pull request และการปรับแต่ง runner machines นอกจากนี้ยังได้ฝึกลงมือจริงในการตั้งค่า CI pipeline พื้นฐาน และทำความเข้าใจ GHA log อย่างละเอียด

เริ่มบทเรียน

Continuous Integration ใน Machine Learning

ในบทนี้ คุณจะได้เรียนรู้การนำการเทรนโมเดล Machine Learning เข้าสู่ GitHub Actions pipeline โดยใช้ Continuous Machine Learning GitHub Action รวมถึงการสร้างรายงาน Markdown ที่ครอบคลุม metrics และ plots ของโมเดล นอกจากนี้ยังได้เรียนรู้การจัดเวอร์ชันข้อมูลใน Machine Learning ด้วย Data Version Control (DVC) เพื่อติดตามการเปลี่ยนแปลงของข้อมูล บทนี้ยังครอบคลุมการตั้งค่า DVC remote และการถ่ายโอนชุดข้อมูล และสุดท้ายจะได้สำรวจ DVC pipeline พร้อมการตั้งค่า DVC YAML file เพื่อจัดการการเทรนโมเดลแบบที่ทำซ้ำได้

เริ่มบทเรียน

การเปรียบเทียบ training run และการทำ Hyperparameter (HP) Tuning

ในบทนี้ คุณจะได้มุ่งเน้นการวิเคราะห์ประสิทธิภาพโมเดลและการปรับ hyperparameter โดยจะได้ฝึกเปรียบเทียบ metrics และ visualization ข้ามหลาย branch เพื่อประเมินการเปลี่ยนแปลงของประสิทธิภาพโมเดล รวมถึงการทำ hyperparameter tuning ด้วย GridSearchCV ของ scikit-learn นอกจากนี้ยังได้เรียนรู้การทำงานอัตโนมัติสำหรับ pull request โดยใช้การตั้งค่าโมเดลที่ดีที่สุด