Der Kurs hilft dir dabei, deine Entwicklungsprozesse im Bereich maschinelles Lernen zu optimieren und die Effizienz, Zuverlässigkeit und Reproduzierbarkeit deiner Projekte zu verbessern. Im Laufe des Kurses lernst du CI/CD-Workflows und die YAML-Syntax richtig gut kennen. Dabei nutzt du GitHub Actions (GA) für die Automatisierung, trainierst Modelle in einer Pipeline, verwaltest Datensätze mit DVC, machst Hyperparameter-Tuning und automatisierst Tests und Pull-Anfragen.

Grundlagen von CI/CD, YAML und maschinellem Lernen

Du lernst die grundlegenden Konzepte von CI/CD und YAML kennen und bekommst einen Überblick über den Softwareentwicklungszyklus und wichtige Begriffe wie Build, Test und Deploy. Du wirst Continuous Integration, Continuous Delivery und Continuous Deployment erklären und dabei ihre Unterschiede anschauen. Du wirst auch den Nutzen von CI/CD im Bereich maschinelles Lernen und Experimentieren erkunden.

GitHub Actions für die CI/CD-Automatisierung

Du lernst GA kennen, eine starke Plattform für die Umsetzung von CI/CD-Workflows. Du wirst die verschiedenen Elemente von GA kennenlernen, darunter Ereignisse, Aktionen, Aufgaben, Schritte, Runner und Kontext. Du lernst, wie du Workflows definierst, die durch Ereignisse wie Push- und Pull-Anfragen ausgelöst werden, und wie du Runner-Maschinen anpasst. Außerdem sammelst du praktische Erfahrung, indem du grundlegende CI-Pipelines einrichtest und das GA-Protokoll verstehst.

Versionierung von Datensätzen mit Datenversionskontrolle

Du wirst dich intensiv mit der Datenversionskontrolle (DVC) beschäftigen, um Datensätze zu versionieren, DVC zu initialisieren und Datensätze zu verfolgen. Mit DVC-Pipelines lernst du, wie du Klassifizierungsmodelle trainieren und Metriken auf reproduzierbare Weise generieren kannst.

Optimierung der Modellleistung und Hyperparameter-Tuning

Du wirst dich jetzt mit der Analyse der Modellleistung und der Hyperparameter-Optimierung beschäftigen und praktische Fähigkeiten im Vergleichen von Metriken und Diagrammen über verschiedene Zweige hinweg erwerben, um Änderungen in der Modellleistung zu vergleichen. Du lernst, wie du Artefakte mit GA runterladen und die Hyperparameter mit scikit-learns GridSearchCV optimieren kannst. Außerdem lernst du, wie du Pull-Anfragen mit der besten Modellkonfiguration automatisieren kannst.

Continuous Deployment und Continuous Delivery

Interaktive praktische Übung