Ten rozdział to kompleksowe wprowadzenie do Data Version Control (DVC) – narzędzia niezbędnego do wersjonowania danych w uczeniu maszynowym. Poznasz motywację stojącą za wersjonowaniem danych, zrozumiesz różnice między wersjonowaniem danych a wersjonowaniem kodu i przećwiczysz prosty problem klasyfikacji. Zapoznasz się z podstawowymi poleceniami Git, dowiesz się, czym jest DVC, i przećwiczysz konfigurację repozytorium. Rozdział kończy się omówieniem funkcji i zastosowań DVC, w tym wersjonowania danych i modeli, CI/CD dla uczenia maszynowego, śledzenia eksperymentów, potoków przetwarzania i wielu innych.

Motywacja do wersjonowania danych

Anatomia modelu uczenia maszynowego

Różnice między wersjonowaniem danych a wersjonowaniem kodu

Czym są hiperparametry?

Wprowadzenie do DVC

def greet():
    print("Hello World!")

if __name__=="__main__":
    greet()

Praca z Git CLI

Przegląd interfejsu CLI DVC

Funkcje i zastosowania DVC

Potoki DVC

CI/CD w uczeniu maszynowym

Ten rozdział poświęcony jest konfiguracji DVC – obejmuje instalację, inicjalizację repozytorium oraz korzystanie z pliku .dvcignore. Następnie omawia pamięć podręczną DVC i tymczasowe pliki: dowiesz się, jak dodawać i usuwać pliki, zarządzać pamięcią podręczną oraz jak działa mechanizm skrótu MD5. Rozdział wyjaśnia też, czym są zdalne repozytoria DVC i czym różnią się od zdalnych repozytoriów Git – nauczysz się je dodawać, wyświetlać i modyfikować. Na koniec poznasz sposoby interakcji z tymi repozytoriami: przesyłanie i pobieranie danych, przełączanie się między wersjami oraz pobieranie danych do pamięci podręcznej.

Konfiguracja i inicjalizacja DVC

Konfiguracja DVC

Wzorce w pliku .dvcignore

Pamięć podręczna DVC i pliki tymczasowe

Praca z pamięcią podręczną DVC

Czym są pliki .dvc

Konfigurowanie zdalnych repozytoriów DVC

Rola zdalnych repozytoriów DVC

Konfiguracja zdalnego repozytorium DVC

Interakcja ze zdalnymi repozytoriami DVC

Wersjonowanie danych za pomocą zdalnego repozytorium DVC

Przywracanie wersji danych

Konfiguracja DVC i zarządzanie danymi

Ten rozdział koncentruje się na automatyzacji potoków ML przy użyciu DVC. Nauczysz się tworzyć pliki konfiguracyjne zawierające ustawienia i hiperparametry. Poznasz wizualizację potoków za pomocą skierowanych grafów acyklicznych oraz polecenia opisujące zależności, instrukcje i wyniki. Omówione zostanie też uruchamianie potoków DVC, lokalny trening modeli i sposób, w jaki Git śledzi metadane DVC. Dodatkowo zajmiesz się śledzeniem metryk i wykresów w DVC – nauczysz się wyświetlać metryki, tworzyć pliki z wykresami oraz porównywać metryki i wykresy między różnymi etapami potoku.

Organizacja kodu i refaktoryzacja

Pliki parametrów w DVC

Tworzenie pliku parametrów

Tworzenie i wizualizacja potoków DVC

Projektowanie potoku DVC

Wizualizacja potoku DVC

Uruchamianie potoków DVC

Koncepcje wykonywania potoków DVC

Uruchamianie potoku trenowania modelu uczenia maszynowego

Ewaluacja: metryki i wykresy w DVC

Śledzenie metryk w DVC

Dodawanie wykresów do dvc.yaml

Gratulacje!

Potoki w DVC

Poznaj Data Version Control (DVC) – narzędzie do zarządzania danymi i ich wersjonowania w uczeniu maszynowym. Dowiedz się, jaką rolę odgrywa DVC w cyklu życia modeli ML, czym różni się wersjonowanie danych od wersjonowania kodu, oraz jakie funkcje i zastosowania oferuje DVC. Naucz się konfigurować DVC, zarządzać pamięcią podręczną i zdalnymi repozytoriami, a także poznaj jego zastosowania w CI/CD, śledzeniu eksperymentów i potokach przetwarzania. Automatyzuj potoki ML z naciskiem na modularyzację kodu i efektywne ich uruchamianie. Na koniec zajmij się oceną modeli i śledzeniem metryk w DVC, które wspierają świadome podejmowanie decyzji.


Ten kurs oferuje kompleksowe wprowadzenie do Data Version Control (DVC), narzędzia zaprojektowanego do efektywnego zarządzania danymi do uczenia maszynowego oraz ich wersjonowania. Zdobędziesz zrozumienie cyklu życia produktu machine learning, poznasz różnice między wersjonowaniem danych a wersjonowaniem kodu oraz odkryjesz funkcje i zastosowania DVC.

<h2>Poznawanie funkcji DVC</h2>
Zrozumiesz motywacje stojące za wersjonowaniem danych, cyklem życia uczenia maszynowego oraz unikalnymi funkcjami i zastosowaniami DVC. Dowiesz się również o konfiguracji DVC, obejmującej instalację, inicjalizację repozytorium oraz plik .dvcignore. Poznasz pamięć podręczną DVC i pliki stagingowe, nauczysz się dodawać i usuwać pliki, zarządzać pamięciami podręcznymi oraz zrozumiesz mechanizmy, które za tym stoją. Nauczysz się o zdalnych repozytoriach DVC, wyjaśnisz różnicę między zdalnymi repozytoriami DVC a Git, dodasz zdalne repozytoria, wyświetlisz ich listę i zmodyfikujesz je. Nauczysz się pracować z repozytoriami zdalnymi, wysyłać i pobierać dane, sprawdzać konkretne wersje oraz pobierać dane do pamięci podręcznej.

<h2>Automatyzuj i oceniaj</h2>
Będziesz zmotywowany do automatyzacji potoków ML, ze szczególnym naciskiem na modularizację kodu i tworzenie pliku konfiguracyjnego. Zostaniesz wprowadzony do potoków DVC jako skierowanych grafów acyklicznych, z praktycznym doświadczeniem w dodawaniu etapów oraz ich danych wejściowych i wyjściowych. Będziesz ćwiczyć efektywne wykonywanie tych potoków, aby umożliwić różne zastosowania w trenowaniu modeli uczenia maszynowego. Kurs kończy się skupieniem na ewaluacji, pokazując, jak metryki i wykresy są śledzone w DVC.

Supervised Learning with scikit-learn

Introduction to Git

Poznaj DVC do zarządzania danymi ML. Opanuj konfigurację, automatyzuj procesy i oceniaj modele.

Wprowadzenie do wersjonowania danych z DVC

Poznaj Data Version Control do zarządzania danymi ML. Opanuj konfigurację, automatyzuj pipeline’y i oceniaj modele bezproblemowo.

Funkcje i zastosowania DVC

Create Your Free Account