Feature Store mit Feast
Um über den gesamten Machine-Learning-Lebenszyklus hinweg effektiv zu entwickeln, ist es wichtig, Ressourcen detailliert und umfassend zu dokumentieren. Feature Stores und Modellregister sind hilfreiche Ressourcenaufzeichnungen in der Vorbereitungs- und Modellierungsphase. In dieser Übung implementierst du einen Feature Store mit Feast. Die vordefinierte Entität patient sowie die Features cp, thalach, ca und thal wurden für dich geladen. ValueType, FeatureStore und FileSource wurden alle aus feast importiert. heart_disease_df ist ebenfalls importiert.
Diese Übung ist Teil des Kurses
End-to-End Machine Learning
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
heart_disease_df.to_parquet("heart_disease.parquet")
# Point File Source to the saved file
data_source = ____(
path=____,
event_timestamp_column="timestamp",
created_timestamp_column="created",
)