機械学習の分野では、望ましい成果を得るために、整った構成のワークフローが欠かせません。このワークフローにおいて重要な要素の一つが、各ステップを実行する順序です。以下のステップの順序を並べ替えることで、それぞれのステップの重要性や、典型的な機械学習プロジェクトにおける役割への理解を深めましょう。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、継続的インテグレーション/継続的デリバリー（CI/CD）と YAML の基本原則を学びます。ソフトウェア開発のライフサイクルや、ビルド、テスト、デプロイといった主要な用語を理解します。継続的インテグレーション、継続的デリバリー、継続的デプロイメントの違いを確認します。さらに、機械学習や実験における CI/CD の重要性についても探ります。
現在の演習
この章では、CI/CD ワークフローを実行するための有力なプラットフォームである GitHub Actions（GHA）について学びます。イベント、アクション、ジョブ、ステップ、ランナー、コンテキストなど、GHA を構成するさまざまな要素を確認します。プッシュやプルリクエストなどのイベントで起動するワークフローの作成方法や、ランナーマシンのカスタマイズ方法を理解します。さらに、基本的な CI パイプラインを構築し、GHA のログの詳細を把握する実践的な学習に取り組みます。
この章では、Continuous Machine Learning GitHub Action を使って、機械学習モデルのトレーニングを GitHub Action パイプラインに組み込む方法を学びます。モデルの指標とプロットを含む包括的な Markdown レポートを生成します。また、Data Version Control（DVC）を導入してデータの変更を追跡する、機械学習におけるデータのバージョン管理についても学びます。さらに、DVC リモートの設定とデータセットの転送方法も扱います。最後に、DVC パイプラインを取り上げ、再現性のあるモデルトレーニングを統括する DVC YAML ファイルの設定方法を学びます。
この章では、モデルのパフォーマンス分析とハイパーパラメータのチューニングに注目します。モデルのパフォーマンスの変化を評価するために、ブランチ間で指標や可視化を比較する実践的なスキルを身につけます。 scikit-learn の GridSearchCV を使ってハイパーパラメータチューニングを行います。さらに、最適なモデル構成を用いたプルリクエストの自動化についても学びます。
