DVC pipeline 能簡化機器學習工作流程，讓資料與程式碼的版本控管、追蹤與快取更有效率。理解 pipeline 的執行方式，能幫助你設計更有效的流程。在這個練習中，你將檢查自己對 DVC 可重現 pipeline 的執行方式是否掌握正確。
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
本章將完整介紹 Data Version Control（DVC），這是機器學習中進行資料版本控管不可或缺的工具。你會了解為何需要資料版本控管、它與程式碼版本控管的差異，並動手嘗試一個簡單的分類問題。你也會複習基本的 Git 指令、認識 DVC，並練習建立版本庫。最後，本章將概覽 DVC 的功能與使用情境，包括資料與模型的版本控管、機器學習的 CI/CD、實驗追蹤、工作流程等。
本章將深入講解 DVC 的設定，包括安裝、初始化版本庫，以及使用 .dvcignore 檔案。接著會帶你探索 DVC 的快取與暫存檔，學會如何加入與移除檔案、管理快取，並透過 MD5 雜湊理解其底層機制。此章也會說明 DVC 遠端儲存，並與 Git 遠端加以區分，指引你如何新增、列出與修改遠端設定。最後，你將學會如何與這些遠端互動：推送與拉取資料、切換特定版本，以及將資料擷取到快取中。
本章聚焦於使用 DVC 自動化 ML 工作流程。你會建立一個包含設定與超參數的組態檔，並學習用有向無環圖來視覺化工作流程，利用指令描述相依性、指令與輸出。內容也涵蓋 DVC 工作流程的執行，包括在本機進行模型訓練，以及 Git 如何追蹤 DVC 中繼資料。此外，你將探索 DVC 的指標與圖表追蹤功能，包括如何列印指標、建立圖表檔，並在不同工作流程階段之間比較指標與圖表。
當前練習
