Workflow di machine learning

Nel campo del machine learning, un workflow ben strutturato è fondamentale per ottenere buoni risultati. Un elemento cruciale di questo flusso è l’ordine con cui vengono eseguiti i passaggi. Riordinando le fasi seguenti, approfondirai il loro significato e il loro ruolo in un tipico progetto di machine learning.

Questo esercizio fa parte del corso

CI/CD per Machine Learning

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

CI/CD per Machine Learning

AvançadoNível de habilidade

4.8+

377 reviews

Inizia il corso gratuitamente

In questo capitolo esplorerai i principi essenziali di Continuous Integration/Continuous Delivery (CI/CD) e YAML. Comprenderai il ciclo di vita dello sviluppo software e termini chiave come build, test e deploy. Scoprirai le differenze tra Continuous Integration, Continuous Delivery e Continuous Deployment. Inoltre, analizzerai l’importanza del CI/CD nel Machine Learning e nella sperimentazione.

Exercise 1: Introduzione a Continuous Integration/Continuous Delivery per il Machine Learning Exercise 2: Continuous deployment e delivery Exercise 3: Workflow di machine learning

Esercizio attuale

Exercise 4: Introduzione a YAML Exercise 5: Sintassi YAML Exercise 6: Mapping e sequenze in YAML Exercise 7: Introduzione a GitHub Actions Exercise 8: Utilità di GitHub Actions Exercise 9: Anatomia di GitHub Actions

Preparati a esplorare GitHub Actions (GHA), una piattaforma influente per eseguire workflow CI/CD. Scopri i diversi componenti di GHA, tra cui events, actions, jobs, steps, runners e context. Capirai come creare workflow che si attivano con eventi come push e pull request e come personalizzare le macchine runner. Metti subito le mani in pasta impostando pipeline CI di base e comprendendo a fondo il log di GHA.

Exercise 1: YAML intermedio Exercise 2: Trova la combinazione corretta Exercise 3: Progetta un workflow di Continuous Integration Exercise 4: Impostare una pipeline CI di base Exercise 5: Interpreta un workflow di GitHub Actions Exercise 6: Scrivi un workflow di GitHub Actions Exercise 7: Eseguire il codice del repository Exercise 8: Feature branch nel modello di repository condiviso Exercise 9: Esecuzione di codice Python in GitHub Actions Exercise 10: Variabili d'ambiente e secret Exercise 11: Che cos’è GITHUB_TOKEN?Exercise 12: Lavorare con le variabili d'ambiente Exercise 13: Lavorare con i secret

In questo capitolo esplorerai l’integrazione dell’addestramento dei modelli di Machine Learning in una pipeline GitHub Action usando Continuous Machine Learning GitHub Action. Genererai un report markdown completo con metriche e grafici del modello. Approfondirai anche la versionatura dei dati nel Machine Learning adottando Data Version Control (DVC) per tracciare le modifiche ai dati. Il capitolo copre inoltre la configurazione dei remoti DVC e il trasferimento degli insiemi di dati. Infine, esplorerai le pipeline DVC, configurando un file YAML di DVC per orchestrare un training riproducibile del modello.

Exercise 1: Addestramento del modello con GitHub Actions Exercise 2: Sviluppa un modello di classificazione Exercise 3: Allena un modello di classificazione Exercise 4: Configura l’addestramento del modello con CML Exercise 5: Versionare gli insiemi di dati con Data Version Control Exercise 6: Perché servono i file .dvc?Exercise 7: Versionamento dei dati in pratica Exercise 8: Interagire con i remote di DVC Exercise 9: Esplorare i vantaggi dei remote DVC Exercise 10: DVC remotes in azione Exercise 11: Pipeline DVC Exercise 12: Creare una pipeline DVC Exercise 13: Allena modelli di ML con DVC

In questo capitolo concentrerai l’attenzione sull’analisi delle prestazioni del modello e sulla messa a punto degli iperparametri. Acquisirai competenze pratiche nel confronto di metriche e visualizzazioni tra branch diversi per valutare i cambiamenti nelle prestazioni del modello. Eseguirai il tuning degli iperparametri utilizzando GridSearchCV di scikit-learn. Inoltre, approfondirai l’automazione delle pull request usando la configurazione di modello ottimale.

Exercise 1: Confrontare metriche e grafici in DVC Exercise 2: Aggiungere metriche e grafici a dvc.yaml Exercise 3: Confrontare le metriche tra branch Git Exercise 4: Esegui la pipeline DVC in GitHub Actions Exercise 5: Ottimizzazione degli iperparametri con DVC Exercise 6: Aggiungere l'Hyperparameter tuning a dvc.yaml Exercise 7: Esecuzione delle pipeline DVC per l'Hyperparameter tuning Exercise 8: Workflow di GitHub Actions per l'ottimizzazione degli iperparametri Exercise 9: Loose Coupling Exercise 10: Configura l'Hyperparameter Tuning in GitHub Actions Exercise 11: Congratulazioni!