DVC remotes em ação

Neste exercício, você vai aprender a configurar e usar DVC remotes para armazenar e compartilhar seus conjuntos de dados com segurança. Seja para um colega do outro lado do mundo ou para você mesmo no futuro trabalhando no projeto, os DVC remotes garantem que seus dados estejam sempre acessíveis e atualizados. Este exercício já tem o DVC inicializado e o conjunto de dados adicionado ao cache do DVC. Vamos nos limitar a DVC remotes configurados em um sistema de arquivos local.

A sintaxe para adicionar um DVC remote padrão é

dvc remote add -d --local <remote_name> </path/to/folder>

em que -d indica o DVC remote padrão e --local indica que o DVC remote aponta para um caminho local.

Este exercício faz parte do curso

CI/CD para Machine Learning

Ver curso

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

CI/CD para Machine Learning

AvançadoNível de habilidade

4.8+

265 reviews

Iniciar curso de graça

Neste capítulo, você vai explorar os princípios essenciais de Continuous Integration/Continuous Delivery (CI/CD) e YAML. Você vai entender o ciclo de vida do desenvolvimento de software e termos-chave como build, test e deploy. Descubra as diferenças entre Continuous Integration, Continuous Delivery e Continuous Deployment. Além disso, investigue a importância de CI/CD em Machine Learning e em experimentação.

Exercise 1: Introdução a Continuous Integration/Continuous Delivery para Machine Learning Exercise 2: Continuous deployment e delivery Exercise 3: Fluxo de trabalho de machine learning Exercise 4: Introdução ao YAML Exercise 5: Sintaxe YAML Exercise 6: Mapeamentos e sequências em YAML Exercise 7: Introdução ao GitHub Actions Exercise 8: Utilidade do GitHub Actions Exercise 9: Anatomia do GitHub Actions

Prepare-se para explorar o GitHub Actions (GHA), uma plataforma influente para executar fluxos de trabalho de CI/CD. Conheça os diversos componentes do GHA, abrangendo events, actions, jobs, steps, runners e context. Entenda como criar workflows que disparam com eventos como push e pull requests e como ajustar as máquinas runner. Mergulhe no aprendizado prático ao configurar pipelines fundamentais de CI e compreender os detalhes do log do GHA.

Exercise 1: YAML intermediário Exercise 2: Encontre a combinação correta Exercise 3: Projete um workflow de Continuous Integration Exercise 4: Configurando um pipeline básico de CI Exercise 5: Interpretar workflow do GitHub Actions Exercise 6: Escreva um Workflow do GitHub Actions Exercise 7: Executando o código do repositório Exercise 8: Branches de feature no modelo de repositório compartilhado Exercise 9: Executando código Python no GitHub Actions Exercise 10: Variáveis de ambiente e segredos Exercise 11: O que é o GITHUB_TOKEN?Exercise 12: Trabalhando com variáveis de ambiente Exercise 13: Trabalhando com secrets

Neste capítulo, você vai explorar a integração do treinamento de modelos de Machine Learning em um pipeline do GitHub Actions usando o Continuous Machine Learning GitHub Action. Você vai gerar um relatório completo em Markdown, incluindo métricas e gráficos do modelo. Também vai se aprofundar em versionamento de dados em Machine Learning adotando o Data Version Control (DVC) para acompanhar mudanças nos dados. O capítulo também aborda a configuração de remotes do DVC e a transferência de conjuntos de dados. Por fim, você vai explorar pipelines do DVC, configurando um arquivo YAML do DVC para orquestrar um treinamento de modelo reprodutível.

Exercise 1: Treinamento de modelos com GitHub Actions Exercise 2: Desenvolva um modelo de classificação Exercise 3: Treinar um modelo de classificação Exercise 4: Configurar o treino de modelo usando CML Exercise 5: Versionando conjuntos de dados com o Data Version Control Exercise 6: Por que os arquivos .dvc são necessários?Exercise 7: Versionamento de dados na prática Exercise 8: Interagindo com remotos do DVC Exercise 9: Explorando os benefícios dos remotos do DVC Exercise 10: DVC remotes em ação

Exercício atual

Exercise 11: Pipelines do DVC Exercise 12: Criando um pipeline DVC Exercise 13: Treinar modelos de ML com DVC

Neste capítulo, você vai direcionar sua atenção para a análise de desempenho do modelo e o ajuste de hiperparâmetros. Você vai adquirir experiência prática ao comparar métricas e visualizações entre diferentes branches para avaliar mudanças no desempenho do modelo. Você vai realizar ajuste de hiperparâmetros usando o GridSearchCV do scikit-learn. Além disso, você vai explorar a automação de pull requests usando a configuração de modelo ideal.

Exercise 1: Comparando métricas e gráficos no DVC Exercise 2: Adicionando métricas e gráficos ao dvc.yaml Exercise 3: Comparando métricas entre branches do Git Exercise 4: Executar pipeline DVC no GitHub Actions Exercise 5: Ajuste de hiperparâmetros com DVC Exercise 6: Adicionando ajuste de hiperparâmetros ao dvc.yaml Exercise 7: Executando pipelines DVC de ajuste de hiperparâmetros Exercise 8: Workflow do GitHub Actions para ajuste de hiperparâmetros Exercise 9: Acoplamento frouxo Exercise 10: Configurar Hyperparameter Tuning no GitHub Actions Exercise 11: Parabéns!