Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
Kurs Açıklaması
Bu kurs, projelerinizde verimliliği, güvenilirliği ve tekrarlanabilirliği artırarak makine öğrenmesi geliştirme süreçlerinizi daha verimli hâle getirmenizi sağlayacak. Kurs boyunca CI/CD iş akışları ve YAML sözdizimi hakkında kapsamlı bilgi edinecek; otomasyon için GitHub Actions (GA) kullanmayı, bir işlem hattında modelleri eğitmeyi, veri kümelerini DVC ile sürümlemeyi, hiperparametre ayarlaması yapmayı ve testlerle pull request'leri otomatikleştirmeyi öğreneceksiniz.
CI/CD, YAML ve makine öğrenmesi temelleri
CI/CD ve YAML'ın temel kavramlarıyla tanışacak, yazılım geliştirme yaşam döngüsünü ve build, test ve deploy gibi temel terimleri anlayacaksınız. Sürekli Entegrasyon, Sürekli Teslimat ve Sürekli Dağıtım kavramlarını tanımlarken aralarındaki farkları inceleyeceksiniz. Ayrıca makine öğrenmesi ve deney süreçlerinde CI/CD'nin faydalarını da keşfedeceksiniz.CI/CD Otomasyonu için GitHub Actions
CI/CD iş akışlarını hayata geçirmek için güçlü bir platform olan GA hakkında bilgi edineceksiniz. Etkinlikler, eylemler, işler, adımlar, çalıştırıcılar ve bağlam da dahil olmak üzere GA'nın çeşitli unsurlarını keşfedeceksiniz. Push ve pull request gibi olaylarla tetiklenen iş akışlarını tanımlamayı ve runner makinelerini özelleştirmeyi öğreneceksiniz. Ayrıca temel CI işlem hatları kurarak ve GA günlüğünü anlayarak uygulamalı deneyim kazanacaksınız.Data Version Control ile Veri Kümelerini Sürümleme
Veri kümelerini sürümlemek için Data Version Control'ü (DVC) derinlemesine inceleyecek, DVC'yi başlatmayı ve veri kümelerini programlamayı öğreneceksiniz. DVC işlem hatlarını kullanarak sınıflandırma modellerini eğitmeyi ve metrikleri tekrarlanabilir biçimde üretmeyi öğreneceksiniz.Model Performansını Optimize Etme ve Hiperparametre Ayarlama
Şimdi model performansı analizine ve hiperparametre ayarlamaya odaklanacak, dallar arasında metrik ve grafiklerdeki farkları inceleyerek model performansındaki değişiklikleri karşılaştırma konusunda pratik beceriler kazanacaksınız. GA ile artefakt indirmeyi ve scikit-learn'ün GridSearchCV özelliğini kullanarak hiperparametre ayarlaması yapmayı öğreneceksiniz. Ayrıca, en iyi model yapılandırmasını kullanarak pull request’leri otomatikleştirmeyi keşfedeceksiniz.Ön Koşullar
Müfredat
Kurs planı
1
Continuous Integration/Continuous Delivery ve YAML’a Giriş
Bu bölümde Continuous Integration/Continuous Delivery (CI/CD) ve YAML’ın temel ilkelerini keşfedeceksin. Yazılım geliştirme yaşam döngüsünü ve build, test, deploy gibi önemli terimleri kavrayacaksın. Continuous Integration, Continuous Delivery ve Continuous Deployment arasındaki farkları öğren. Ayrıca CI/CD’nin Machine Learning ve deneylerde neden önemli olduğunu inceleyeceksin.
- Machine Learning için Sürekli Entegrasyon/Sürekli Teslimata Giriş50 XP
- Sürekli dağıtım ve sürekli teslim50 XP
- Machine learning iş akışı100 XP
- YAML’a Giriş50 XP
- YAML sözdizimi100 XP
- YAML eşlemeleri ve dizileri100 XP
- GitHub Actions’a Giriş50 XP
- GitHub Actions'ın Faydaları100 XP
- GitHub Actions’ın Anatomisi100 XP
2
GitHub Actions
CI/CD iş akışlarını yürütmek için etkili bir platform olan GitHub Actions’ı (GHA) keşfetmeye hazır ol. GHA’nın events, actions, jobs, steps, runners ve context gibi çeşitli bileşenlerini açığa çıkar. push ve pull request gibi olaylarla tetiklenen iş akışlarını nasıl oluşturacağını öğren ve runner makinelerini özelleştir. Temel CI boru hatları kurarken uygulamalı öğrenmeye dal ve GHA günlüğünün (log) ayrıntılarını kavra.
3
Machine Learning’de Continuous Integration
Bu bölümde, Continuous Machine Learning GitHub Action kullanarak Machine Learning model eğitimini bir GitHub Action boru hattına entegre edeceksin. Model metrikleri ve grafiklerini içeren kapsamlı bir markdown raporu üreteceksin. Ayrıca verideki değişimleri izlemek için Data Version Control (DVC) benimseyerek Machine Learning’de veri sürümlendirmesine derinlemesine bakacaksın. Bölüm, DVC remote’larını ayarlamayı ve veri kümesi transferlerini de kapsıyor. Son olarak, tekrarlanabilir model eğitimi için bir DVC YAML dosyasını yapılandırarak DVC pipelines’ı keşfedeceksin.
4
Eğitim çalıştırmalarını karşılaştırma ve Hiperparametre (HP) ayarlaması
Bu bölümde odağını model performansının analizine ve hiperparametrelerin ince ayarına yönelteceksin. Farklı dallar arasında metrikleri ve görselleştirmeleri karşılaştırarak model performansındaki değişiklikleri değerlendirme konusunda pratik deneyim kazanacaksın. scikit-learn’ün GridSearchCV aracıyla hiperparametre ayarlaması yapacaksın. Ayrıca, en iyi model yapılandırmasını kullanarak pull request’lerin otomasyonuna da derinlemesine bakacaksın.
Machine Learning için CI/CD
Kurs
Tamamlandı
