Синтаксис YAML

У цій вправі ви дізнаєтеся, як синтаксис YAML використовує відступи, щоб показати чітку ієрархічну структуру для масиву попередніх вимог у контексті курсу. Відступи візуально показують звʼязок між курсом і його попередніми вимогами, тож код легше читати й підтримувати.

Використовуючи блочний стиль для масиву, ви також побачите, як кожну попередню вимогу чітко відокремлено. Блочний стиль дає змогу охайно подати складні масиви, що зручно для довгого або багаторядкового вмісту. Застосування відступів і блочного стилю підвищує читабельність коду та допомагає краще розуміти й керувати структурованими даними в YAML.

Ця вправа є частиною курсу

CI/CD для машинного навчання

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

CI/CD для машинного навчання

SkillTag.level.advancedSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому розділі ви розглянете основні принципи Continuous Integration/Continuous Delivery (CI/CD) і YAML. Ви зрозумієте життєвий цикл розробки ПЗ та ключові терміни, як-от build, test і deploy. Дізнайтеся про відмінності між Continuous Integration, Continuous Delivery та Continuous Deployment. Крім того, ви дослідите значення CI/CD у машинному навчанні та під час експериментів.

Exercise 1: Вступ до Continuous Integration/Continuous Delivery для машинного навчання Exercise 2: Continuous deployment і delivery Exercise 3: Робочий процес машинного навчання Exercise 4: Вступ до YAML Exercise 5: Синтаксис YAML

Поточна вправа

Exercise 6: Відповідності та послідовності в YAML Exercise 7: Вступ до GitHub Actions Exercise 8: Корисність GitHub Actions Exercise 9: Будова GitHub Actions

Підготуйтеся дослідити GitHub Actions (GHA) — потужну платформу для виконання робочих процесів CI/CD. Розкрийте різні компоненти GHA: events, actions, jobs, steps, runners і context. Зрозумійте, як створювати workflows, що активуються подіями на кшталт push і pull request, та налаштовувати runner-машини. Пориньте в практику: налаштуйте базові CI-конвеєри та розберіться з особливостями журналу GHA.

Exercise 1: Середній рівень YAML Exercise 2: Знайдіть правильну комбінацію Exercise 3: Спроєктуйте workflow для безперервної інтеграції Exercise 4: Налаштування базового CI-конвеєра Exercise 5: Інтерпретуйте workflow GitHub Actions Exercise 6: Напишіть workflow GitHub Actions Exercise 7: Запуск коду з репозиторію Exercise 8: Фічеві гілки в моделі спільного репозиторію Exercise 9: Запуск коду Python у GitHub Actions Exercise 10: Змінні середовища та секрети Exercise 11: Що таке GITHUB_TOKEN?Exercise 12: Робота зі змінними середовища Exercise 13: Робота з секретами

У цьому розділі ви інтегруєте навчання моделей машинного навчання в конвеєр GitHub Actions за допомогою Continuous Machine Learning GitHub Action. Ви згенеруєте розгорнутий markdown-звіт із метриками моделі та графіками. Також ви заглибитеся у версіонування даних у машинному навчанні, застосувавши Data Version Control (DVC) для відстеження змін у даних. Розділ також охоплює налаштування віддалених сховищ DVC (remotes) і передавання наборів даних. Нарешті, ви дослідите конвеєри DVC, налаштувавши YAML-файл DVC для оркестрації відтворюваного навчання моделей.

Exercise 1: Навчання моделі з GitHub Actions Exercise 2: Розробіть модель класифікації Exercise 3: Навчіть модель класифікації Exercise 4: Налаштуйте тренування моделі за допомогою CML Exercise 5: Керування версіями наборів даних за допомогою Data Version Control Exercise 6: Навіщо потрібні файли .dvc?Exercise 7: Практика керування версіями даних Exercise 8: Взаємодія з віддаленими сховищами DVC Exercise 9: Переваги віддалених сховищ DVC Exercise 10: DVC remotes у дії Exercise 11: DVC Pipelines Exercise 12: Створення конвеєра DVC Exercise 13: Тренування моделей ML за допомогою DVC

У цьому розділі ви зосередитеся на аналізі продуктивності моделі та тонкому налаштуванні гіперпараметрів. Ви набудете практичних навичок порівняння метрик і візуалізацій у різних гілках, щоб оцінювати зміни в роботі моделі. Ви виконуватимете підбір гіперпараметрів за допомогою GridSearchCV із пакета scikit-learn. Крім того, ви розглянете автоматизацію pull request, використовуючи оптимальну конфігурацію моделі.

Exercise 1: Порівняння метрик і графіків у DVC Exercise 2: Додавання метрик і графіків до dvc.yaml Exercise 3: Порівняння метрик у гілках Git Exercise 4: Запустіть конвеєр DVC у GitHub Actions Exercise 5: Тюнінг гіперпараметрів із DVC Exercise 6: Додавання налаштування гіперпараметрів до dvc.yaml Exercise 7: Запуск конвеєрів DVC для налаштування гіперпараметрів Exercise 8: Робочий процес GitHub Actions для підбору гіперпараметрів Exercise 9: Слабке зчеплення Exercise 10: Налаштуйте підбір гіперпараметрів у GitHub Actions Exercise 11: Вітаємо!