Úvod do Continuous Integration/Continuous Delivery pro Machine Learning

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

CI/CD pro Machine Learning

SkillTag.level.advancedSkillTag.label

4.8+

395 reviews

Začněte kurz zdarma

V této kapitole prozkoumáš základní principy Continuous Integration/Continuous Delivery (CI/CD) a YAML. Pochopíš životní cyklus vývoje softwaru a klíčové pojmy jako build, test a deploy. Objevíš rozdíly mezi Continuous Integration, Continuous Delivery a Continuous Deployment a zjistíš, jak důležitou roli hraje CI/CD ve strojovém učení a experimentování.

Exercise 1: Úvod do Continuous Integration/Continuous Delivery pro Machine Learning

Aktuální cvičení

Exercise 2: Continuous deployment a continuous delivery Exercise 3: Pracovní postup při strojovém učení Exercise 4: Úvod do YAML Exercise 5: Syntaxe YAML Exercise 6: YAML mapování a sekvence Exercise 7: Úvod do GitHub Actions Exercise 8: K čemu slouží GitHub Actions Exercise 9: Anatomie GitHub Actions

Připrav se na průzkum GitHub Actions (GHA) – vlivné platformy pro spouštění CI/CD workflows. Odkryješ různé komponenty GHA, včetně událostí, akcí, jobů, kroků, runnerů a kontextu. Naučíš se vytvářet workflows, které se spouštějí na události jako push a pull requesty, a přizpůsobovat runner machines. Prakticky si vyzkoušíš nastavení základních CI pipeline a porozumíš detailům GHA logu.

Exercise 1: Intermediate YAML Exercise 2: Najdi správnou kombinaci Exercise 3: Návrh workflow pro Continuous Integration Exercise 4: Nastavení základního CI pipeline Exercise 5: Interpretace workflow GitHub Actions Exercise 6: Vytvoř workflow pro GitHub Actions Exercise 7: Spuštění kódu z repozitáře Exercise 8: Feature branches ve sdíleném repozitáři Exercise 9: Spouštění Python kódu v GitHub Actions Exercise 10: Proměnné prostředí a tajné klíče Exercise 11: Co je GITHUB_TOKEN?Exercise 12: Práce s proměnnými prostředí Exercise 13: Práce se secrets

V této kapitole prozkoumáš, jak integrovat trénování modelu strojového učení do pipeline GitHub Actions pomocí Continuous Machine Learning GitHub Action. Vygeneruješ podrobnou markdown zprávu obsahující metriky modelu a grafy. Zároveň se ponoříš do verzování dat ve strojovém učení – přijmeš Data Version Control (DVC) pro sledování změn v datech. Kapitola také pokryje nastavení DVC remote úložišť a přenosy datasetů. Na závěr prozkoumáš DVC pipelines a naučíš se konfigurovat DVC YAML soubor pro řízení reprodukovatelného trénování modelů.

Exercise 1: Trénování modelů s GitHub Actions Exercise 2: Vytvoření klasifikačního modelu Exercise 3: Trénování klasifikačního modelu Exercise 4: Nastavení trénování modelu pomocí CML Exercise 5: Správa verzí datasetů pomocí Data Version Control Exercise 6: K čemu slouží soubory .dvc?Exercise 7: Verzování dat v praxi Exercise 8: Práce s DVC remotes Exercise 9: Výhody DVC remotů Exercise 10: DVC remotes v praxi Exercise 11: DVC Pipelines Exercise 12: Vytvoření DVC pipeline Exercise 13: Trénování ML modelů s DVC

V této kapitole se zaměříš na analýzu výkonu modelu a ladění hyperparametrů. Získáš praktické dovednosti v porovnávání metrik a vizualizací napříč různými větvemi, abys dokázal/a posoudit změny ve výkonu modelu. Naučíš se provádět ladění hyperparametrů pomocí `GridSearchCV` ze scikit-learn. Navíc prozkoumáš automatizaci pull requestů s optimální konfigurací modelu.

Exercise 1: Porovnávání metrik a grafů v DVC Exercise 2: Přidání metrik a grafů do dvc.yaml Exercise 3: Porovnání metrik napříč větvemi Gitu Exercise 4: Spuštění DVC pipeline v GitHub Actions Exercise 5: Ladění hyperparametrů pomocí DVC Exercise 6: Přidání ladění hyperparametrů do dvc.yaml Exercise 7: Spouštění DVC pipeline pro ladění hyperparametrů Exercise 8: Workflow GitHub Actions pro ladění hyperparametrů Exercise 9: Volné provázání Exercise 10: Nastavení ladění hyperparametrů v GitHub Actions Exercise 11: Gratulujeme!