or
Ця вправа є частиною курсу
У цьому розділі подано ґрунтовний вступ до Data Version Control (DVC) — інструмента, необхідного для версіонування даних у машинному навчанні. Ви дослідите мотивацію версіонування даних, зрозумієте його відмінності від версіонування коду та попрацюєте з простою задачею класифікації. Ви переглянете базові команди Git, ознайомитеся з DVC і потренуєтеся налаштовувати репозиторій. Розділ завершується оглядом можливостей DVC і типових застосувань, зокрема версіонування даних і моделей, CI/CD для ML, відстеження експериментів, конвеєрів тощо.
У цьому розділі ви детально розглянете налаштування DVC: інсталяцію, ініціалізацію репозиторію та використання файла .dvcignore. Далі ви дослідите кеш DVC і проміжні (staging) файли, навчитеся додавати й вилучати файли, керувати кешем і зрозумієте внутрішні механізми на основі MD5-хеша. Також розділ пояснює роботу з віддаленими сховищами DVC (remotes), відмінними від віддалених Git, і показує, як їх додавати, перелічувати та змінювати. Насамкінець ви навчитеся взаємодіяти з такими сховищами: виконувати push і pull даних, переходити на конкретні версії (checkout) та завантажувати дані в кеш (fetch).
Цей розділ зосереджено на автоматизації ML-конвеєрів за допомогою DVC. Ви створите файл конфігурації з налаштуваннями та гіперпараметрами. Також ви дізнаєтеся про візуалізацію конвеєрів за допомогою орієнтованих ациклічних графів і використаєте команди для опису залежностей, команд і результатів. Розглянуто виконання конвеєрів DVC, зокрема локальне навчання моделей і те, як Git відстежує метадані DVC. Додатково ви дослідите відстеження метрик і графіків у DVC: як виводити метрики, створювати файли графіків і порівнювати метрики та графіки на різних етапах конвеєра.
Поточна вправа