or
To ćwiczenie jest częścią kursu
W tym rozdziale poznasz podstawowe zasady Continuous Integration/Continuous Delivery (CI/CD) i YAML. Zrozumiesz cykl życia oprogramowania oraz kluczowe terminy: build, test i deploy. Odkryjesz różnice między Continuous Integration, Continuous Delivery i Continuous Deployment. Zbadasz też, jak ważną rolę odgrywa CI/CD w uczeniu maszynowym i eksperymentowaniu.
Poznaj GitHub Actions (GHA) – wszechstronną platformę do wykonywania przepływów pracy CI/CD. Odkryj różnorodne składniki GHA: zdarzenia, akcje, zadania, kroki, runnery i kontekst. Dowiedz się, jak tworzyć przepływy pracy uruchamiane przez zdarzenia takie jak push i pull request, oraz jak dostosowywać maszyny runnerów. Ucz się przez praktykę: skonfiguruj podstawowe potoki CI i zgłęb szczegóły logów GHA.
W tym rozdziale poznasz sposób integrowania trenowania modeli uczenia maszynowego z potokiem GitHub Actions przy użyciu akcji Continuous Machine Learning. Nauczysz się generować szczegółowy raport w formacie Markdown zawierający metryki modelu i wykresy. Zajmiesz się też wersjonowaniem danych w uczeniu maszynowym, korzystając z Data Version Control (DVC) do śledzenia zmian w danych. Rozdział obejmuje również konfigurowanie zdalnych repozytoriów DVC i transfer zbiorów danych. Na koniec poznasz potoki DVC i nauczysz się konfigurować plik YAML DVC, aby organizować odtwarzalne trenowanie modeli.
Bieżące ćwiczenie
W tym rozdziale skupisz się na analizie wydajności modeli i strojeniu hiperparametrów. Zdobędziesz praktyczne umiejętności porównywania metryk i wizualizacji w różnych gałęziach, aby oceniać zmiany w wydajności modeli. Przeprowadzisz strojenie hiperparametrów za pomocą GridSearchCV z biblioteki scikit-learn. Ponadto zgłębisz automatyzację pull requestów z użyciem optymalnej konfiguracji modelu.