Feature store avec Feast
Pour assurer un développement efficace tout au long du cycle de vie du Machine Learning, il est essentiel de conserver des traces détaillées et complètes des ressources. Les feature stores et les registres de modèles sont des exemples utiles de suivi des ressources dans les phases pré‑modélisation et modélisation. Dans cet exercice, vous allez implémenter un feature store avec Feast. L’Entity prédéfinie patient, ainsi que les features cp, thalach, ca et thal, ont été chargées pour vous. ValueType, FeatureStore et FileSource sont importés depuis feast. heart_disease_df est également importé.
Cet exercice fait partie du cours
Machine Learning de bout en bout
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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",
)