使用 Data Version Control 進行資料集版本控管

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

本練習屬於課程

Machine Learning 的 CI/CD

SkillTag.level.advancedSkillTag.label

4.8+

免費開始學習課程

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。

Exercise 1: 機器學習的 Continuous Integration/Continuous Delivery 入門 Exercise 2: Continuous deployment 與 delivery Exercise 3: Machine learning workflow Exercise 4: YAML 入門 Exercise 5: YAML 語法 Exercise 6: YAML 對映與序列 Exercise 7: GitHub Actions 入門 Exercise 8: GitHub Actions 的用途 Exercise 9: GitHub Actions 架構剖析

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。

Exercise 1: YAML 中級 Exercise 2: 找出正確的組合 Exercise 3: 設計一個 Continuous Integration 工作流程 Exercise 4: 建立基本的 CI pipeline Exercise 5: 解讀 GitHub Actions 工作流程 Exercise 6: 撰寫一個 GitHub Actions 工作流程 Exercise 7: 執行儲存庫程式碼 Exercise 8: 共享儲存庫模型中的 Feature branch Exercise 9: 在 GitHub Actions 中執行 Python 程式碼 Exercise 10: 環境變數與機密 Exercise 11: 什麼是 GITHUB_TOKEN？Exercise 12: 使用環境變數 Exercise 13: 使用 secrets

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。

Exercise 1: 使用 GitHub Actions 進行模型訓練 Exercise 2: 開發一個分類模型 Exercise 3: 訓練一個分類模型 Exercise 4: 使用 CML 設定模型訓練 Exercise 5: 使用 Data Version Control 進行資料集版本控管

當前練習

Exercise 6: 為什麼需要 .dvc 檔案？Exercise 7: 實作資料版本控制 Exercise 8: 與 DVC 遠端互動 Exercise 9: 探索 DVC 遠端的優點 Exercise 10: 實作 DVC remotes Exercise 11: DVC 管線 Exercise 12: 建立 DVC pipeline Exercise 13: 使用 DVC 訓練 ML 模型

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。

Exercise 1: 在 DVC 中比較指標與圖表 Exercise 2: 在 dvc.yaml 中加入指標與圖表 Exercise 3: 跨 Git 分支比較指標 Exercise 4: 在 GitHub Actions 中執行 DVC pipeline Exercise 5: 使用 DVC 進行超參數調校 Exercise 6: 在 dvc.yaml 中加入超參數調校 Exercise 7: 執行超參數調校的 DVC 管線 Exercise 8: 用於超參數調校的 GitHub Actions 工作流程 Exercise 9: 鬆耦合 Exercise 10: 在 GitHub Actions 設定超參數調校 Exercise 11: 恭喜你！