Alur kerja machine learning

Dalam ranah machine learning, alur kerja yang terstruktur dengan baik sangat penting untuk mencapai hasil yang diinginkan. Unsur krusial dari alur kerja ini adalah urutan eksekusi setiap langkah. Dengan menyusun ulang urutan langkah-langkah berikut, Anda akan memperoleh pemahaman yang lebih mendalam tentang pentingnya setiap langkah dan perannya dalam proyek machine learning pada umumnya.

Latihan ini merupakan bagian dari kursus

CI/CD untuk Machine Learning

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

CI/CD untuk Machine Learning

SkillTag.level.advancedSkillTag.label

4.8+

377 reviews

Mulai Kursus Gratis

Dalam bab ini, Anda akan mempelajari prinsip-prinsip esensial Continuous Integration/Continuous Delivery (CI/CD) dan YAML. Anda akan memahami siklus hidup pengembangan perangkat lunak dan istilah kunci seperti build, test, dan deploy. Temukan perbedaan antara Continuous Integration, Continuous Delivery, dan Continuous Deployment. Selain itu, Anda akan menelaah pentingnya CI/CD dalam Machine Learning dan eksperimen.

Exercise 1: Pengantar Continuous Integration/Continuous Delivery untuk Machine Learning Exercise 2: Continuous deployment dan continuous delivery Exercise 3: Alur kerja machine learning

Latihan Saat Ini

Exercise 4: Pengantar YAML Exercise 5: Sintaks YAML Exercise 6: Pemetaan dan sekuens YAML Exercise 7: Pengantar GitHub Actions Exercise 8: Kegunaan GitHub Actions Exercise 9: Anatomi GitHub Actions

Bersiaplah untuk mengeksplorasi GitHub Actions (GHA), sebuah platform berpengaruh untuk menjalankan alur kerja CI/CD. Temukan beragam komponen GHA, mencakup events, actions, jobs, steps, runners, dan context. Dapatkan wawasan dalam menyusun workflows yang aktif saat terjadi events seperti push dan pull request, serta menyesuaikan mesin runner. Perdalam pembelajaran praktis dengan menyiapkan pipeline CI mendasar dan memahami seluk-beluk log GHA.

Exercise 1: YAML Menengah Exercise 2: Temukan kombinasi yang benar Exercise 3: Rancang workflow Continuous Integration Exercise 4: Menyusun pipeline CI dasar Exercise 5: Menginterpretasikan Workflow GitHub Actions Exercise 6: Tulis Workflow GitHub Actions Exercise 7: Menjalankan kode repositori Exercise 8: Feature branches dalam model repositori bersama Exercise 9: Menjalankan kode Python di GitHub Actions Exercise 10: Variabel Lingkungan dan Secret Exercise 11: Apa itu GITHUB_TOKEN?Exercise 12: Bekerja dengan variabel lingkungan Exercise 13: Bekerja dengan secrets

Dalam bab ini, Anda akan mengeksplorasi integrasi pelatihan model Machine Learning ke dalam pipeline GitHub Action menggunakan Continuous Machine Learning GitHub Action. Anda akan menghasilkan laporan markdown yang komprehensif mencakup metrik dan plot model. Anda juga akan mendalami versioning data dalam Machine Learning dengan mengadopsi Data Version Control (DVC) untuk melacak perubahan data. Bab ini juga membahas penyiapan DVC remote dan transfer himpunan data. Terakhir, Anda akan mengeksplorasi pipeline DVC, dengan mengonfigurasi berkas YAML DVC untuk mengorkestrasi pelatihan model yang dapat direproduksi.

Exercise 1: Pelatihan model dengan GitHub Actions Exercise 2: Kembangkan model klasifikasi Exercise 3: Latih model klasifikasi Exercise 4: Menyiapkan pelatihan model menggunakan CML Exercise 5: Versioning himpunan data dengan Data Version Control Exercise 6: Mengapa berkas .dvc dibutuhkan?Exercise 7: Data versioning secara langsung Exercise 8: Berinteraksi dengan remote DVC Exercise 9: Menjelajahi Manfaat DVC Remote Exercise 10: DVC remote dalam praktik Exercise 11: Pipelines DVC Exercise 12: Membuat pipeline DVC Exercise 13: Latih model ML dengan DVC

Dalam bab ini, Anda akan memusatkan perhatian pada analisis kinerja model dan penalaan hyperparameter. Anda akan memperoleh keahlian praktis dalam membandingkan metrik dan visualisasi di berbagai branch untuk menilai perubahan kinerja model. Anda akan melakukan penalaan hyperparameter menggunakan GridSearchCV dari scikit-learn. Selain itu, Anda akan mendalami otomatisasi pull request menggunakan konfigurasi model yang optimal.

Exercise 1: Membandingkan metrik dan plot di DVC Exercise 2: Menambahkan metrik dan plot ke dvc.yaml Exercise 3: Membandingkan metrik di berbagai cabang Git Exercise 4: Jalankan pipeline DVC di GitHub Actions Exercise 5: Pengaturan Hyperparameter dengan DVC Exercise 6: Menambahkan Hyperparameter tuning ke dvc.yaml Exercise 7: Menjalankan pipeline DVC untuk Hyperparameter tuning Exercise 8: Alur kerja GitHub Actions untuk Penyetelan Hyperparameter Exercise 9: Loose Coupling Exercise 10: Menyiapkan Hyperparameter Tuning di GitHub Actions Exercise 11: Selamat!