or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
บทนี้แนะนำ Data Version Control (DVC) อย่างครอบคลุม ซึ่งเป็นเครื่องมือสำคัญสำหรับการกำหนดเวอร์ชันข้อมูลใน machine learning ผู้เรียนจะได้สำรวจแรงจูงใจเบื้องหลังการกำหนดเวอร์ชันข้อมูล ทำความเข้าใจความแตกต่างจากการกำหนดเวอร์ชันโค้ด และลองปฏิบัติกับโจทย์การจำแนกประเภทเบื้องต้น รวมถึงทบทวนคำสั่ง Git พื้นฐาน เรียนรู้เกี่ยวกับ DVC และฝึกตั้งค่า repository บทนี้ปิดท้ายด้วยภาพรวมฟีเจอร์และกรณีการใช้งานของ DVC ได้แก่ การกำหนดเวอร์ชันข้อมูลและโมเดล CI/CD สำหรับ machine learning การติดตามการทดลอง pipeline และอื่น ๆ อีกมากมาย
บทนี้เจาะลึกการตั้งค่า DVC ครอบคลุมการติดตั้ง การเริ่มต้น repository และการใช้งานไฟล์ .dvcignore จากนั้นสำรวจ DVC cache และการ staging ไฟล์ เรียนรู้วิธีเพิ่มและลบไฟล์ จัดการ cache และทำความเข้าใจกลไกที่อยู่เบื้องหลังด้วย MD5 hash นอกจากนี้ยังอธิบาย DVC remote ความแตกต่างจาก Git remote และแนะนำวิธีเพิ่ม แสดงรายการ และแก้ไข remote สุดท้าย เรียนรู้วิธีโต้ตอบกับ remote โดยการ push และ pull ข้อมูล การ checkout เวอร์ชันที่ต้องการ และการดึงข้อมูลไปยัง cache
บทนี้มุ่งเน้นการสร้าง ML pipeline อัตโนมัติด้วย DVC ผู้เรียนจะสร้างไฟล์ configuration ที่เก็บค่าตั้งต้นและ hyperparameter รวมถึงเรียนรู้การแสดงภาพ pipeline ด้วย directed acyclic graph และใช้คำสั่งเพื่อระบุ dependency คำสั่ง และ output ครอบคลุมการรัน DVC pipeline ทั้งการเทรนโมเดลในเครื่องและวิธีที่ Git ติดตาม DVC metadata นอกจากนี้ยังสำรวจการติดตาม metric และ plot ใน DVC รวมถึงการแสดง metric การสร้างไฟล์ plot และการเปรียบเทียบ metric และ plot ระหว่าง pipeline stage ต่าง ๆ
แบบฝึกหัดปัจจุบัน