為什麼在 GitHub Actions 的 DVC 管線中，讓超參數調校工作與訓練工作保持鬆耦合很有用？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在本章中，你將探索 Continuous Integration／Continuous Delivery（CI/CD）與 YAML 的核心原則。你會掌握軟體開發生命週期，以及 build、test、deploy 等關鍵術語。進一步了解 Continuous Integration、Continuous Delivery 與 Continuous Deployment 的差異。此外，你也會探討 CI/CD 在機器學習與實驗中的重要性。
準備好探索 GitHub Actions（GHA）吧！這是用來執行 CI/CD 工作流程的強大平台。你將了解 GHA 的多種元件，包含 events、actions、jobs、steps、runners 與 context。你會學會建立在 push 與 pull request 等事件觸發的工作流程，並調整 runner 機器設定。透過實作，你將建立基本的 CI pipelines，並理解 GHA 日誌的重點。
在本章中，你將透過 Continuous Machine Learning GitHub Action，將機器學習模型訓練整合到 GitHub Action 的 pipeline。你會產生一份完整的 Markdown 報告，包含模型指標與圖表。你也會進一步學習機器學習中的資料版本控管，採用 Data Version Control（DVC）來追蹤資料變更。本章同時涵蓋設定 DVC 遠端與資料集傳輸。最後，你將探索 DVC pipelines，設定 DVC 的 YAML 檔來協調可重現的模型訓練。
在本章中，你將專注於模型效能的分析與超參數的微調。你會學到如何在不同分支間比較指標與視覺化圖表，以評估模型效能的變化。你將使用 scikit-learn 的 GridSearchCV 進行超參數調校。此外，你也會進一步探討如何以最佳模型設定自動化建立 pull request。
當前練習
