CML kullanarak model eğitimini ayarla

Bu egzersizde, yağışı tahmin etmek için bir Random Forest Classifier eğitmek üzere CML GitHub Action'ı kullanacaksın. CML, ML deneyleri için rapor oluşturmayı soyutlayan bir GitHub Action'dır.

Eğitim, main dalına karşı bir PR açtığında tetiklenecek. Hava durumu veri kümesiyle çalışmaya devam edeceksin; preprocess_dataset.py dosyası, veri kümesini daha önce olduğu gibi ön işlemek için yardımcı işlevler içeriyor.

train.py çalıştırıldığında çıktı olarak model metriklerini içeren metrics.json dosyası ve karışıklık matrisi grafiğini içeren confusion_matrix.png dosyası üretilir.

Görevin, üst düzey bir model eğitimi akışı oluşturmak için iskeleti verilmiş .github/workflows/train_cml.yaml dosyasını tamamlamak.

NOT: Python betiklerini çalıştırmak için python yerine python3 kullan.

Bu egzersiz, kursun bir parçasıdır

Machine Learning için CI/CD

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Machine Learning için CI/CD

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu bölümde Continuous Integration/Continuous Delivery (CI/CD) ve YAML’ın temel ilkelerini keşfedeceksin. Yazılım geliştirme yaşam döngüsünü ve build, test, deploy gibi önemli terimleri kavrayacaksın. Continuous Integration, Continuous Delivery ve Continuous Deployment arasındaki farkları öğren. Ayrıca CI/CD’nin Machine Learning ve deneylerde neden önemli olduğunu inceleyeceksin.

Exercise 1: Machine Learning için Sürekli Entegrasyon/Sürekli Teslimata Giriş Exercise 2: Sürekli dağıtım ve sürekli teslim Exercise 3: Machine learning iş akışı Exercise 4: YAML’a Giriş Exercise 5: YAML sözdizimi Exercise 6: YAML eşlemeleri ve dizileri Exercise 7: GitHub Actions’a Giriş Exercise 8: GitHub Actions'ın Faydaları Exercise 9: GitHub Actions’ın Anatomisi

CI/CD iş akışlarını yürütmek için etkili bir platform olan GitHub Actions’ı (GHA) keşfetmeye hazır ol. GHA’nın events, actions, jobs, steps, runners ve context gibi çeşitli bileşenlerini açığa çıkar. push ve pull request gibi olaylarla tetiklenen iş akışlarını nasıl oluşturacağını öğren ve runner makinelerini özelleştir. Temel CI boru hatları kurarken uygulamalı öğrenmeye dal ve GHA günlüğünün (log) ayrıntılarını kavra.

Exercise 1: Orta Düzey YAML Exercise 2: Doğru kombinasyonu bul Exercise 3: Bir Continuous Integration iş akışı tasarla Exercise 4: Temel bir CI hattı kurma Exercise 5: GitHub Actions İş Akışını Yorumla Exercise 6: Bir GitHub Actions Workflow'u Yaz Exercise 7: Depodaki kodu çalıştırma Exercise 8: Paylaşılan depo modelinde özellik (feature) dalları Exercise 9: GitHub Actions içinde Python kodu çalıştırma Exercise 10: Ortam Değişkenleri ve Gizli Bilgiler Exercise 11: GITHUB_TOKEN nedir?Exercise 12: Ortam değişkenleriyle çalışmak Exercise 13: Gizli anahtarlarla çalışmak

Bu bölümde, Continuous Machine Learning GitHub Action kullanarak Machine Learning model eğitimini bir GitHub Action boru hattına entegre edeceksin. Model metrikleri ve grafiklerini içeren kapsamlı bir markdown raporu üreteceksin. Ayrıca verideki değişimleri izlemek için Data Version Control (DVC) benimseyerek Machine Learning’de veri sürümlendirmesine derinlemesine bakacaksın. Bölüm, DVC remote’larını ayarlamayı ve veri kümesi transferlerini de kapsıyor. Son olarak, tekrarlanabilir model eğitimi için bir DVC YAML dosyasını yapılandırarak DVC pipelines’ı keşfedeceksin.

Exercise 1: GitHub Actions ile model eğitimi Exercise 2: Bir sınıflandırma modeli geliştir Exercise 3: Bir sınıflandırma modeli eğit Exercise 4: CML kullanarak model eğitimini ayarla

Geçerli egzersiz

Exercise 5: Data Version Control ile veri kümelerinin sürümlenmesi Exercise 6: Neden .dvc dosyalarına ihtiyaç var?Exercise 7: Veri sürümlemesini uygulamada gör Exercise 8: DVC uzaklarıyla etkileşim kurma Exercise 9: DVC Uzaklarının Faydalarını Keşfetme Exercise 10: DVC uzaktan depolar iş başında Exercise 11: DVC Boru Hatları Exercise 12: Bir DVC ardışık düzeni oluşturma Exercise 13: DVC ile ML modellerini eğit

Bu bölümde odağını model performansının analizine ve hiperparametrelerin ince ayarına yönelteceksin. Farklı dallar arasında metrikleri ve görselleştirmeleri karşılaştırarak model performansındaki değişiklikleri değerlendirme konusunda pratik deneyim kazanacaksın. scikit-learn’ün GridSearchCV aracıyla hiperparametre ayarlaması yapacaksın. Ayrıca, en iyi model yapılandırmasını kullanarak pull request’lerin otomasyonuna da derinlemesine bakacaksın.

Exercise 1: DVC'de metrikleri ve grafikleri karşılaştırma Exercise 2: dvc.yaml dosyasına metrikler ve grafikler ekleme Exercise 3: Git dalları arasında metrikleri karşılaştırma Exercise 4: GitHub Actions'ta DVC pipeline'ını çalıştır Exercise 5: DVC ile Hiperparametre Ayarlama Exercise 6: dvc.yaml'a Hyperparameter ayarlaması ekleme Exercise 7: Hyperparameter ayarlama DVC boru hatlarını çalıştırma Exercise 8: Hiperparametre Ayarı için GitHub Actions iş akışı Exercise 9: Gevşek Bağlılık Exercise 10: GitHub Actions'ta Hyperparameter Tuning Kurulumu Exercise 11: Tebrikler!