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.

Configurazione e inizializzazione di DVC

#!/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"

Configurare DVC

# 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

Pattern di .dvcignore

Cache DVC e file in staging

#!/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


Lavorare con la cache di DVC

Capire i file .dvc

Configurare i remoti DVC

Scopo dei remoti DVC

#!/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

Configura un DVC Remote

Interagire con i DVC Remote

#!/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

Versionare i dati usando un 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

Eseguire il checkout dei dati versionati

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

Approfondisci Data Version Control (DVC), uno strumento per gestire e versionare i dati per il Machine Learning. Esplora il suo ruolo nel ciclo di vita del ML, distingui il versionamento dei dati da quello del codice ed esamina le funzionalità e i casi d’uso di DVC. Impara a configurare DVC, inclusa la gestione della cache e dei remoti, e scopri come usarlo in CI/CD, tracciamento degli esperimenti e pipeline. Automatizza le pipeline di ML, con enfasi sulla modularizzazione del codice, ed esercitati a eseguirle in modo efficiente. Concludi con la valutazione del modello, esplorando il tracciamento delle metriche in DVC per prendere decisioni informate.



Questo corso ti dà un'idea completa del Data Version Control (DVC), uno strumento fatto apposta per gestire e controllare le versioni dei dati di machine learning in modo efficiente. Capirai come funziona il ciclo di vita dei prodotti di machine learning, imparerai a distinguere il versioning dei dati da quello del codice e scoprirai le caratteristiche e i casi d'uso di DVC.

<h2>Scopri le caratteristiche di DVC</h2>
Capirai perché si fa il versioning dei dati, come funziona il ciclo di vita dell'apprendimento automatico e quali sono le caratteristiche e i casi d'uso di DVC. Imparerai anche come configurare DVC, dall'installazione all'inizializzazione del repository, fino al file .dvcignore. Esplorerai la cache DVC e i file di staging, imparerai ad aggiungere e rimuovere file, gestire le cache e capire i meccanismi alla base. Imparerai a conoscere i remote DVC, capirai la differenza tra DVC e Git remote, aggiungerai remote, li elencherai e li modificherai. Imparerai a usare i telecomandi, a inviare e ricevere dati, a controllare versioni specifiche e a scaricare dati nella cache.

<h2>Automatizza e valuta</h2>
Sarai motivato ad automatizzare le pipeline ML, concentrandoti sulla modularizzazione del codice e sulla creazione di un file di configurazione. Ti spiegheremo le pipeline DVC come grafici aciclici diretti, con un po' di pratica nell'aggiungere fasi e i loro input e output. Ti eserciterai a usare queste pipeline in modo efficiente per gestire diversi casi d'uso nell'addestramento dei modelli di machine learning. Il corso finisce concentrandosi sulla valutazione, mostrando come si tengono traccia delle metriche e dei grafici in DVC.

Supervised Learning with scikit-learn

Introduction to Git

Esplora il controllo versione dati per la gestione ML. Imposta, automatizza pipeline e valuta modelli.

Introduzione al versionamento dei dati con DVC

Scopri il controllo della versione dei dati per gestire i dati ML. Configura, automatizza i flussi di lavoro e valuta i modelli senza problemi.

Scopo dei remoti DVC

Introduzione al versionamento dei dati con DVC

Esercizio pratico interattivo