Mapping và sequence trong YAML

YAML dưới đây mô tả thông tin về một khóa học tên "Machine Learning 101" và các học viên đã ghi danh vào khóa học đó.

Khóa courses chỉ ra dữ liệu liên quan đến khóa học, với một sequence biểu diễn nhiều khóa học.
name là tên khóa học.
prerequisites liệt kê các yêu cầu đầu vào của khóa học.
Khóa students liên quan đến học viên đã ghi danh, với một sequence biểu diễn nhiều học viên.
Mỗi học viên có khóa name, mảng midterm_scores cho điểm giữa kỳ và khóa final_score cho điểm cuối kỳ.

Bài tập này là một phần của khóa học

CI/CD cho Machine Learning

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

CI/CD cho Machine Learning

SkillTag.level.advancedSkillTag.label

4.8+

410 reviews

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ khám phá các nguyên lý cốt lõi của Continuous Integration/Continuous Delivery (CI/CD) và YAML. Bạn sẽ nắm được vòng đời phát triển phần mềm và các thuật ngữ then chốt như build, test và deploy. Tìm hiểu sự khác biệt giữa Continuous Integration, Continuous Delivery và Continuous Deployment. Bên cạnh đó, bạn sẽ xem xét tầm quan trọng của CI/CD trong machine learning và quá trình thử nghiệm.

Exercise 1: Giới thiệu về Continuous Integration/Continuous Delivery cho Machine Learning Exercise 2: Continuous deployment và continuous delivery Exercise 3: Quy trình làm việc trong machine learning Exercise 4: Giới thiệu về YAML Exercise 5: Cú pháp YAML Exercise 6: Mapping và sequence trong YAML

Bài tập hiện tại

Exercise 7: Giới thiệu về GitHub Actions Exercise 8: Tính hữu dụng của GitHub Actions Exercise 9: Cấu trúc của GitHub Actions

Sẵn sàng khám phá GitHub Actions (GHA), một nền tảng mạnh mẽ để thực thi các workflow CI/CD. Khám phá các thành phần đa dạng của GHA, bao gồm events, actions, jobs, steps, runners và context. Nắm bắt cách xây dựng workflow kích hoạt khi có các sự kiện như push và pull request, và tùy chỉnh máy runner. Bắt tay thực hành khi bạn thiết lập các pipeline CI nền tảng và hiểu rõ chi tiết log của GHA.

Exercise 1: YAML trung cấp Exercise 2: Tìm tổ hợp đúng Exercise 3: Thiết kế một workflow Continuous Integration Exercise 4: Thiết lập một pipeline CI cơ bản Exercise 5: Diễn giải GitHub Actions Workflow Exercise 6: Viết một Workflow GitHub Actions Exercise 7: Chạy mã trong kho lưu trữ Exercise 8: Feature branch trong mô hình shared repository Exercise 9: Chạy mã Python trong GitHub Actions Exercise 10: Biến môi trường và Secrets Exercise 11: GITHUB_TOKEN là gì?Exercise 12: Làm việc với biến môi trường Exercise 13: Làm việc với secrets

Trong chương này, bạn sẽ tích hợp quá trình huấn luyện mô hình machine learning vào pipeline GitHub Action bằng Continuous Machine Learning GitHub Action. Bạn sẽ tạo một báo cáo markdown toàn diện bao gồm các chỉ số và biểu đồ của mô hình. Bạn cũng sẽ đi sâu vào quản lý phiên bản dữ liệu trong Machine Learning bằng cách áp dụng Data Version Control (DVC) để theo dõi thay đổi dữ liệu. Chương này cũng đề cập đến thiết lập DVC remotes và truyền tải tập dữ liệu. Cuối cùng, bạn sẽ khám phá các pipeline của DVC, cấu hình tệp YAML của DVC để điều phối việc huấn luyện mô hình có thể tái lập.

Exercise 1: Huấn luyện mô hình với GitHub Actions Exercise 2: Phát triển mô hình phân loại Exercise 3: Huấn luyện mô hình phân loại Exercise 4: Thiết lập huấn luyện mô hình bằng CML Exercise 5: Quản lý phiên bản dữ liệu với Data Version Control Exercise 6: Vì sao cần các tệp .dvc?Exercise 7: Thực hành versioning dữ liệu Exercise 8: Tương tác với DVC remote Exercise 9: Khám phá lợi ích của DVC remote Exercise 10: DVC remote trong thực tế Exercise 11: DVC Pipelines Exercise 12: Tạo một pipeline DVC Exercise 13: Huấn luyện mô hình ML với DVC

Trong chương này, bạn sẽ tập trung vào phân tích hiệu năng mô hình và tinh chỉnh siêu tham số. Bạn sẽ tích lũy kỹ năng thực hành trong việc so sánh các chỉ số và trực quan hóa giữa các nhánh khác nhau để đánh giá thay đổi về hiệu năng mô hình. Bạn sẽ thực hiện tinh chỉnh siêu tham số bằng GridSearchCV của scikit-learn. Hơn nữa, bạn sẽ tìm hiểu cách tự động hóa pull request với cấu hình mô hình tối ưu.

Exercise 1: So sánh các chỉ số và biểu đồ trong DVC Exercise 2: Thêm metrics và biểu đồ vào dvc.yaml Exercise 3: So sánh metric giữa các nhánh Git Exercise 4: Chạy DVC pipeline trong GitHub Actions Exercise 5: Tinh chỉnh Hyperparameter với DVC Exercise 6: Thêm Hyperparameter tuning vào dvc.yaml Exercise 7: Chạy pipeline DVC cho Hyperparameter tuning Exercise 8: Workflow GitHub Actions cho Hyperparameter Tuning Exercise 9: Loose Coupling Exercise 10: Thiết lập Hyperparameter Tuning trong GitHub Actions Exercise 11: Chúc mừng bạn!