Přehled DVC CLI

V tomto cvičení si ověříš znalost příkazů DVC (Data Version Control) – posoudíš několik tvrzení o jeho CLI. DVC je výkonný nástroj pro verzování dat a znalost jeho příkazů je klíčová pro efektivní správu dat. Označ tvrzení jako správné podle toho, zda kombinace přesně popisuje akci, kterou daný příkaz provádí.

Toto cvičení je součástí kurzu

Úvod do verzování dat s DVC

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Úvod do verzování dat s DVC

SkillTag.level.intermediateSkillTag.label

4.8+

401 reviews

Začněte kurz zdarma

Tato kapitola poskytuje ucelený úvod do DVC (Data Version Control) – nástroje klíčového pro verzování dat ve strojovém učení. Prozkoumáš motivaci za verzováním dat, pochopíš, čím se liší od verzování kódu, a vyzkušíš si jednoduchý klasifikační problém. Zopakuješ si základní příkazy Gitu, seznámíš se s DVC a procvičíš si nastavení repozitáře. Kapitola končí přehledem funkcí a případů použití DVC – od verzování dat a modelů přes CI/CD pro strojové učení až po sledování experimentů, pipeline a další možnosti.

Exercise 1: Motivace pro verzování dat Exercise 2: Anatomie modelu strojového učení Exercise 3: Rozdíly mezi verzováním dat a verzováním kódu Exercise 4: Porozumění hyperparametrům Exercise 5: Úvod do DVC Exercise 6: Práce s Git CLI Exercise 7: Přehled DVC CLI

Aktuální cvičení

Exercise 8: Funkce a možnosti využití DVC Exercise 9: Pipelines v DVC Exercise 10: CI/CD pro machine learning

Tato kapitola se věnuje nastavení DVC – zahrnuje instalaci, inicializaci repozitáře a práci se souborem .dvcignore. Dále prozkoumáš DVC cache a práci se soubory ve staging oblasti: naučíš se přidávat a odebírat soubory, spravovat cache a porozumíš tomu, jak vše funguje pod kapotou pomocí MD5 hashe. Kapitola také vysvětluje DVC vzdálená úložiště, jejich rozdíl od Git remote, a provede tě jejich přidáváním, výpisem a úpravou. Na závěr se naučíš pracovat s těmito úložišti – odesílat a stahovat data, přepínat na konkrétní verze a načítat data do cache.

Exercise 1: Nastavení a inicializace DVC Exercise 2: Nastavení DVC Exercise 3: .dvcignore vzory Exercise 4: DVC cache a soubory ve staging oblasti Exercise 5: Práce s DVC cache Exercise 6: Porozumění souborům .dvc Exercise 7: Konfigurace DVC vzdálených úložišť Exercise 8: Účel DVC remotes Exercise 9: Nastavení DVC remote Exercise 10: Práce s DVC remotes Exercise 11: Verzování dat pomocí DVC Remote Exercise 12: Přepínání mezi verzemi dat

Tato kapitola se zaměřuje na automatizaci ML pipeline pomocí DVC. Vytvoříš konfigurační soubor s nastaveními a hyperparametry. Naučíš se také vizualizovat pipeline pomocí acyklických orientovaných grafů a používat příkazy pro popis závislostí, příkazů a výstupů. Probereme spouštění DVC pipeline, včetně lokálního trénování modelů a toho, jak Git sleduje metadata DVC. Navíc prozkoumáš sledování metrik a grafů v DVC – jak metriky vypisovat, vytvářet soubory s grafy a porovnávat metriky i grafy napříč různými fázemi pipeline.

Exercise 1: Organizace kódu a refaktoring Exercise 2: Práce se soubory parametrů v DVC Exercise 3: Vytvoření souboru s parametry Exercise 4: Tvorba a vizualizace DVC pipeline Exercise 5: Návrh DVC pipeline Exercise 6: Vizualizace DVC pipeline Exercise 7: Spouštění DVC pipeline Exercise 8: Principy spouštění DVC pipeline Exercise 9: Spuštění tréninkového pipeline pro ML model Exercise 10: Vyhodnocení: metriky a grafy v DVC Exercise 11: Sledování metrik v DVC Exercise 12: Přidávání grafů do dvc.yaml Exercise 13: Gratulujeme!