This chapter provides a comprehensive introduction to Data Version Control (DVC), a tool essential for data versioning in machine learning. Learners will explore the motivation behind data versioning, understand its differences from code versioning, and experiment with a simple classification problem. They will review basic Git commands, learn about DVC, and practice setting up a repository. The chapter concludes with an overview of DVC’s features and use cases, including versioning data and models, CI/CD for machine learning, experiment tracking, pipelines, and more.

Data Versioning Motivation

Anatomy of a Machine Learning Model

Differences Between Data and Code Versioning

Understanding Hyperparameters

Introduction to DVC

Working with Git CLI

Review DVC CLI

DVC features and use cases

DVC pipelines

CI/CD for machine learning

This chapter delves into the setup of DVC, encompassing aspects such as installation, initialization of the repository, and the utilization of the .dvcignore file. It further navigates through the exploration of DVC cache and staging files, imparting knowledge on how to add and remove files, manage caches, and comprehend the underlying mechanisms using the MD5 hash. The chapter also elucidates on DVC remotes, distinguishing them from Git remotes, and guides you on how to add, list, and modify them. Lastly, it teaches you how to interact with these remotes by pushing and pulling data, checking out specific versions, and fetching data to the cache.

DVC-Einrichtung und Initialisierung

#!/bin/bash

# Initialize DVC in the workspace
dvc init

# Check DVC version
dvc version

# Commit the changes using Git
git add .
git commit -m "initial commit"

DVC einrichten

# Add patterns of files dvc should ignore, which could improve
# the performance. Learn more at
# https://dvc.org/doc/user-guide/dvcignore

# Ignore all files in the 'dataset' directory
dataset/____

# But don't ignore 'dataset/myData.csv'
!dataset/____

# Ignore all .json files
____

#!/bin/bash

# Check if JSON files are actually ignored in dvcignore
dvc check-ignore -d

# Add patterns of files dvc should ignore, which could improve
# the performance. Learn more at
# https://dvc.org/doc/user-guide/dvcignore

# Ignore all files in the 'dataset' directory
dataset/*

# But don't ignore 'dataset/myData.csv'
!dataset/myData.csv

# Ignore all .json files
*.json

.dvcignore-Muster

DVC-Cache und Staging-Dateien

#!/bin/bash

# Add dataset to DVC
dvc add dataset.csv

# Check DVC cache is populated
find .dvc/cache -type f

# Unstage the metadata file
dvc remove dataset.csv.dvc

# Clean the cache
dvc gc -w


Arbeiten mit dem DVC-Cache

.dvc-Dateien verstehen

DVC-Remotes konfigurieren

Zweck von DVC-Remotes

#!/bin/bash

# Set up a local DVC remote
dvc remote add --local localremote /tmp/dvc

# List the DVC remotes
dvc remote list

# Modify the existing remote to a new location `/tmp/dvc-new`
dvc remote modify --local localremote url /tmp/dvc-new

# List the local remotes again
dvc remote list

Einen DVC-Remote einrichten

Mit DVC-Remotes arbeiten

#!/bin/bash

# Add the `dataset.csv` to DVC cache.
dvc add dataset.csv

# Commit the corresponding `.dvc` file to Git
git commit -m "tracking dataset.csv"

# Push the dataset to the DVC remote
dvc push

# Run pull command
dvc pull

Daten versionieren mit DVC Remote

#!/bin/bash

# Inspect the Git commit history
git log

# File MD5 value
md5sum dataset.csv

# Roll back the changes made to the dataset metadata file by one commit
git reset --hard HEAD~1
# Alternatively
git revert

# Update the dataset
dvc checkout

Versionierte Daten auschecken

DVC Configuration and Data Management

This chapter focuses on automating ML pipelines using DVC. Learners create a configuration file containing settings and hyperparameters. They also learn about pipeline visualization using directed acyclic graphs and use commands to describe dependencies, commands, and outputs. Execution of DVC pipelines is covered, including local model training and how Git tracks DVC metadata. Additionally, learners explore metrics and plots tracking in DVC, including how to print metrics, create plot files, and compare metrics and plots across different pipeline stages.

Code organization and refactoring

Understanding parameter files in DVC

Write a parameter file

Writing and visualizing DVC pipelines

Designing a DVC pipeline

Visualizing a DVC pipeline

Executing DVC pipelines

DVC pipeline execution concepts

Execute a ML model training pipeline

Evaluation: Metrics and plots in DVC

Tracking DVC Metrics

Adding plots to dvc.yaml

Congratulations!

Pipelines in DVC

Tauche ein in Data Version Control (DVC), ein Tool zum Verwalten und Versionieren von ML-Daten. Erkunde seine Rolle im ML-Lebenszyklus, unterscheide Datenversionierung von Code-Versionierung und sieh dir DVCs Funktionen und Einsatzszenarien an. Lerne die DVC-Einrichtung kennen, einschließlich Cache-Verwaltung und Remotes, und entdecke Anwendungen in CI/CD, Experiment-Tracking und Pipelines. Automatisiere ML-Pipelines mit Fokus auf Code-Modularisierung und übe ihre effiziente Ausführung. Abschließend bewertest du Modelle und lernst, Metriken in DVC zu verfolgen, um fundierte Entscheidungen zu treffen.



Dieser Kurs gibt dir einen umfassenden Überblick über Data Version Control (DVC), ein Tool, das für die effiziente Verwaltung und Versionierung von Daten für maschinelles Lernen entwickelt wurde. Du lernst den Produktlebenszyklus des maschinellen Lernens kennen, verstehst den Unterschied zwischen Datenversionierung und Codeversionierung und schaust dir die Funktionen und Anwendungsfälle von DVC an.

<h2>Entdecke die Funktionen von DVC</h2>
Du wirst die Gründe für die Datenversionierung, den Lebenszyklus des maschinellen Lernens und die besonderen Funktionen und Anwendungsfälle von DVC verstehen. Du lernst auch was über die DVC-Einrichtung, einschließlich Installation, Repository-Initialisierung und die Datei .dvcignore. Du wirst DVC-Cache- und Staging-Dateien erkunden, lernen, wie man Dateien hinzufügt und entfernt, Caches verwaltet und die zugrunde liegenden Mechanismen versteht. Du lernst was über DVC-Remotes, bekommst erklärt, wie sich DVC- und Git-Remotes unterscheiden, und kannst Remotes hinzufügen, auflisten und ändern. Du lernst, wie du mit Remote-Servern interagierst, Daten pushst und pullst, bestimmte Versionen auscheckst und Daten in den Cache holst.

<h2>Automatisieren und bewerten</h2>
Du wirst motiviert sein, ML-Pipelines zu automatisieren, wobei der Schwerpunkt auf der Modularisierung von Code und der Erstellung einer Konfigurationsdatei liegt. Du lernst DVC-Pipelines als gerichtete azyklische Graphen kennen und kannst selbst Stufen und deren Ein- und Ausgänge hinzufügen. Du wirst üben, diese Pipelines effizient auszuführen, um verschiedene Anwendungsfälle beim Training von Machine-Learning-Modellen zu ermöglichen. Der Kurs endet mit einem Fokus auf die Auswertung und zeigt, wie Metriken und Plots in DVC verfolgt werden.

Supervised Learning with scikit-learn

Introduction to Git

Erkunden Sie DVC für ML-Datenmanagement. Beherrschen Sie Setup, automatisieren Sie Pipelines, bewerten Sie Modelle.

DVC-Remotes konfigurieren

Create Your Free Account