ยินดีด้วย!

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

CI/CD สำหรับ Machine Learning

SkillTag.level.advancedSkillTag.label

4.8+

ในบทนี้ คุณจะได้เรียนรู้หลักการสำคัญของ Continuous Integration/Continuous Delivery (CI/CD) และ YAML รวมถึงทำความเข้าใจวงจรการพัฒนาซอฟต์แวร์และคำศัพท์หลัก เช่น build, test และ deploy นอกจากนี้ยังได้เรียนรู้ความแตกต่างระหว่าง Continuous Integration, Continuous Delivery และ Continuous Deployment รวมถึงความสำคัญของ CI/CD ในงาน Machine Learning และการทดลอง

Exercise 1: CI/CD สำหรับ Machine Learning เบื้องต้น Exercise 2: Continuous deployment และ continuous delivery Exercise 3: ขั้นตอนการทำงาน Machine Learning Exercise 4: YAML เบื้องต้น Exercise 5: ไวยากรณ์ YAML Exercise 6: การแมปและลำดับใน YAML Exercise 7: GitHub Actions เบื้องต้น Exercise 8: ประโยชน์ของ GitHub Actions Exercise 9: โครงสร้างของ GitHub Actions

พร้อมแล้วก็ไปสำรวจ GitHub Actions (GHA) กันเลย แพลตฟอร์มที่ทรงพลังสำหรับการรัน CI/CD workflow คุณจะได้ทำความรู้จักกับองค์ประกอบต่าง ๆ ของ GHA ทั้ง events, actions, jobs, steps, runners และ context รวมถึงเรียนรู้การสร้าง workflow ที่ทำงานเมื่อเกิด events อย่าง push และ pull request และการปรับแต่ง runner machines นอกจากนี้ยังได้ฝึกลงมือจริงในการตั้งค่า CI pipeline พื้นฐาน และทำความเข้าใจ GHA log อย่างละเอียด

Exercise 1: YAML ระดับกลาง Exercise 2: หาคำตอบที่ถูกต้อง Exercise 3: ออกแบบ Workflow สำหรับ Continuous Integration Exercise 4: การตั้งค่า CI pipeline เบื้องต้น Exercise 5: ตีความ GitHub Actions Workflow Exercise 6: เขียน GitHub Actions Workflow Exercise 7: การรันโค้ดใน Repository Exercise 8: Feature branch ในโมเดล shared repository Exercise 9: การรันโค้ด Python ใน GitHub Actions Exercise 10: ตัวแปรสภาพแวดล้อมและ Secrets Exercise 11: GITHUB_TOKEN คืออะไร?Exercise 12: การทำงานกับตัวแปรสภาพแวดล้อม Exercise 13: การทำงานกับ secrets

ในบทนี้ คุณจะได้เรียนรู้การนำการเทรนโมเดล Machine Learning เข้าสู่ GitHub Actions pipeline โดยใช้ Continuous Machine Learning GitHub Action รวมถึงการสร้างรายงาน Markdown ที่ครอบคลุม metrics และ plots ของโมเดล นอกจากนี้ยังได้เรียนรู้การจัดเวอร์ชันข้อมูลใน Machine Learning ด้วย Data Version Control (DVC) เพื่อติดตามการเปลี่ยนแปลงของข้อมูล บทนี้ยังครอบคลุมการตั้งค่า DVC remote และการถ่ายโอนชุดข้อมูล และสุดท้ายจะได้สำรวจ DVC pipeline พร้อมการตั้งค่า DVC YAML file เพื่อจัดการการเทรนโมเดลแบบที่ทำซ้ำได้

Exercise 1: การเทรนโมเดลด้วย GitHub Actions Exercise 2: พัฒนาโมเดลจำแนกประเภท Exercise 3: ฝึกโมเดลจำแนกประเภท Exercise 4: ตั้งค่าการเทรนโมเดลด้วย CML Exercise 5: การจัดเวอร์ชันชุดข้อมูลด้วย Data Version Control Exercise 6: ทำไมต้องมีไฟล์ .dvc?Exercise 7: การจัดการเวอร์ชันข้อมูลในทางปฏิบัติ Exercise 8: การโต้ตอบกับ DVC remotes Exercise 9: สำรวจประโยชน์ของ DVC Remotes Exercise 10: DVC remotes ในการใช้งานจริง Exercise 11: DVC Pipelines Exercise 12: การสร้าง DVC Pipeline Exercise 13: ฝึกโมเดล ML ด้วย DVC

ในบทนี้ คุณจะได้มุ่งเน้นการวิเคราะห์ประสิทธิภาพโมเดลและการปรับ hyperparameter โดยจะได้ฝึกเปรียบเทียบ metrics และ visualization ข้ามหลาย branch เพื่อประเมินการเปลี่ยนแปลงของประสิทธิภาพโมเดล รวมถึงการทำ hyperparameter tuning ด้วย GridSearchCV ของ scikit-learn นอกจากนี้ยังได้เรียนรู้การทำงานอัตโนมัติสำหรับ pull request โดยใช้การตั้งค่าโมเดลที่ดีที่สุด

Exercise 1: การเปรียบเทียบ Metrics และ Plots ใน DVC Exercise 2: การเพิ่ม metrics และ plots ใน dvc.yaml Exercise 3: การเปรียบเทียบ metrics ข้าม Git branch Exercise 4: รัน DVC pipeline ใน GitHub Actions Exercise 5: การปรับ Hyperparameter ด้วย DVC Exercise 6: เพิ่มการปรับ Hyperparameter ลงใน dvc.yaml Exercise 7: การรัน DVC Pipeline สำหรับการปรับ Hyperparameter Exercise 8: GitHub Actions Workflow สำหรับการปรับแต่ง Hyperparameter Exercise 9: Loose Coupling Exercise 10: ตั้งค่า Hyperparameter Tuning ใน GitHub Actions Exercise 11: ยินดีด้วย!

แบบฝึกหัดปัจจุบัน