Feature store con Feast
Per garantire uno sviluppo efficace durante tutto il ciclo di vita del Machine Learning, è importante mantenere registri dettagliati e completi delle risorse. I feature store e i model registry sono esempi utili di registri di risorse nelle fasi di pre-modellazione e modellazione. In questo esercizio, implementerai un feature store usando Feast. L'Entity predefinita patient, così come le feature cp, thalach, ca e thal, sono già state caricate per te. ValueType, FeatureStore e FileSource sono tutti importati da feast. Anche heart_disease_df è importato.
Questo esercizio fa parte del corso
Machine Learning end-to-end
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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",
)