在 GitHub Actions 的 DVC 流水线中，为何让超参数调优作业与训练作业保持松耦合是有用的？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
在本章中，您将学习 Continuous Integration/Continuous Delivery（CI/CD）与 YAML 的核心原则。您将理解软件开发生命周期，以及 build、test、deploy 等关键术语。您还会区分 Continuous Integration、Continuous Delivery 与 Continuous Deployment 的不同之处。此外，您将探讨 CI/CD 在机器学习与实验管理中的重要性。
本章将带您学习 GitHub Actions（GHA），这一用于执行 CI/CD 工作流的强大平台。您将了解 GHA 的多种组件，包括 events、actions、jobs、steps、runners 与 context。您将掌握如何编写在 push 与 pull request 等事件触发的工作流，并自定义 runner 机器。通过动手实践，您将搭建基础 CI 流水线，并深入理解 GHA 日志。
在本章中，您将把机器学习模型训练集成到 GitHub Action 流水线中，并使用 Continuous Machine Learning GitHub Action。您将生成包含模型指标与图表的完整 Markdown 报告。您还将通过采用 Data Version Control（DVC）来跟踪数据变化，深入学习机器学习中的数据版本管理。本章也会介绍设置 DVC remotes 与数据集传输。最后，您将学习 DVC 流水线，并配置 DVC YAML 文件来编排可复现的模型训练。
在本章中，您将把重点放在模型性能分析与超参数微调上。您将掌握在不同分支间对比指标与可视化图，以评估模型性能的变化。您还将使用 scikit-learn 的 GridSearchCV 进行超参数调优。此外，您将学习如何基于最优模型配置实现 pull request 的自动化。
当前练习
