Machine learning için CI/CD

Machine learning’de CI/CD’nin (Continuous Integration/Continuous Deployment) temel amacı nedir?

Bu egzersiz, kursun bir parçasıdır

DVC ile Veri Sürümlendirmeye Giriş

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

DVC ile Veri Sürümlendirmeye Giriş

IntermediárioNível de habilidade

4.8+

388 reviews

Kursa Ücretsiz Başla

Bu bölüm, Machine Learning’de veri sürümlendirmesi için temel bir araç olan Data Version Control (DVC)’e kapsamlı bir giriş sunar. Öğrenenler veri sürümlendirmenin ardındaki motivasyonu keşfedecek, kod sürümlendirmeden farklarını anlayacak ve basit bir sınıflandırma problemi üzerinde denemeler yapacak. Temel Git komutlarını gözden geçirecek, DVC hakkında bilgi edinecek ve bir depo kurmayı pratik edecekler. Bölüm, verilerin ve modellerin sürümlendirilmesi, Machine Learning için CI/CD, deney takibi, boru hatları ve daha fazlası dahil DVC’nin özellikleri ve kullanım alanlarına genel bir bakışla sona erer.

Exercise 1: Veri Sürümlemenin Gerekçesi Exercise 2: Bir Machine Learning Modelinin Anatomisi Exercise 3: Veri ve Kod Sürümlemesi Arasındaki Farklar Exercise 4: Hiperparametreleri Anlama Exercise 5: DVC'ye Giriş Exercise 6: Git CLI ile çalışmak Exercise 7: DVC CLI'ı Gözden Geçir Exercise 8: DVC özellikleri ve kullanım alanları Exercise 9: DVC pipeline’ları Exercise 10: Machine learning için CI/CD

Geçerli egzersiz

Bu bölüm, DVC’nin kurulumuna derinlemesine iner; yükleme, depo başlatma ve .dvcignore dosyasının kullanımı gibi konuları kapsar. Ayrıca DVC önbelleği ve hazırlık (staging) dosyalarının incelenmesi üzerinden dosya ekleme ve kaldırma, önbellekleri yönetme ve MD5 karma (hash) kullanılarak alttaki işleyişi anlama konularında bilgi verir. Bölüm, DVC uzak depolarını Git uzak depolarından ayırarak açıklar ve bunların nasıl ekleneceği, listeleneceği ve değiştirileceği konusunda rehberlik eder. Son olarak, bu uzaklarla veri gönderip alma (push/pull), belirli sürümleri checkout etme ve verileri önbelleğe fetch etme yoluyla nasıl etkileşim kuracağını öğretir.

Exercise 1: DVC Kurulumu ve Başlatma Exercise 2: DVC Kurulumu Exercise 3: .dvcignore Kalıpları Exercise 4: DVC Önbelleği ve Aşama Dosyaları Exercise 5: DVC Önbelleği ile Çalışma Exercise 6: `.dvc` Dosyalarını Anlama Exercise 7: DVC Uzaklarını Yapılandırma Exercise 8: DVC Remotes'in Amacı Exercise 9: Bir DVC Remote’u Ayarla Exercise 10: DVC Uzaklarıyla Etkileşim Exercise 11: DVC Remote kullanarak verileri versiyonlama Exercise 12: Sürümlendirilmiş Verileri Checkout Etme

Bu bölüm, DVC kullanarak ML boru hatlarını otomatikleştirmeye odaklanır. Öğrenenler, ayarlar ve hiperparametreler içeren bir yapılandırma dosyası oluşturur. Ayrıca yönlendirilmiş çevrimsiz grafikler ile boru hattı görselleştirmeyi öğrenir ve bağımlılıkları, komutları ve çıktılarını tanımlamak için komutlar kullanır. DVC boru hatlarının çalıştırılması ele alınır; yerel model eğitimi ve Git’in DVC meta verilerini nasıl izlediği dahil. Ek olarak, DVC’de metrik ve grafik takibi keşfedilir; metriklerin nasıl yazdırılacağı, grafik dosyalarının nasıl oluşturulacağı ve farklı boru hattı aşamalarında metriklerin ve grafiklerin nasıl karşılaştırılacağı gösterilir.

Exercise 1: Kod organizasyonu ve yeniden düzenleme Exercise 2: DVC’de parametre dosyalarını anlama Exercise 3: Bir parametre dosyası yaz Exercise 4: DVC pipeline’larını yazmak ve görselleştirmek Exercise 5: Bir DVC pipeline’ı tasarlama Exercise 6: Bir DVC pipeline’ını görselleştirme Exercise 7: DVC boru hatlarını çalıştırma Exercise 8: DVC pipeline yürütme kavramları Exercise 9: Bir ML model eğitim hattını çalıştır Exercise 10: Değerlendirme: DVC'de metrikler ve grafikler Exercise 11: DVC Metriklerini Takip Etme Exercise 12: dvc.yaml'a grafikler ekleme Exercise 13: Tebrikler!