使用 secrets

GitHub Actions 透過 secrets 強化安全性與自動化。學會從 secrets 取得 GITHUB_TOKEN，就能執行例如在 pull request 留言等動作，進一步客製化你的工作流程。

完成此練習後，你將能熟練在 GitHub Actions 中使用 secrets。你會了解如何從 secrets 情境（context）存取並使用 GITHUB_TOKEN 來自動化任務，例如在 pull request 中留言。這些知識能讓你在自動化各種動作的同時，安全且有效地與你的儲存庫互動。

此工作流程會在對 master 分支開啟 pull request 時執行。

本練習屬於課程

Machine Learning 的 CI/CD

動手互動練習

將理論付諸實踐，立即體驗我們的互動練習

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

當前練習

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 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！