Étapes : ingestion, préparation, entraînement, évaluation
Décomposez l’entraînement en étapes claires et pouvant être mises en cache.
Étapes : ingestion, préparation, entraînement, évaluation est une leçon MLOps Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage MLOps Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours MLOps Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
From One Big Script to Stages
A single train.py that does everything is hard to reuse and slow to debug. Splitting it into stages makes each step clear and independently runnable. 🧩
The Four Classic Stages
Most training pipelines follow the same shape: ingest, prep, train, eval. Each stage takes inputs and produces outputs the next one reads.
Stage 1: Ingest
The ingest stage pulls raw data from its source, like a database or bucket, and writes it to a known local path. Nothing is cleaned yet.
import pandas as pd
df = pd.read_csv("s3://bucket/raw.csv")
df.to_parquet("data/raw.parquet")Stage 2: Prep
The prep stage cleans and transforms raw data into model-ready features. It handles missing values, encoding, and splitting into train and test sets.
Stage 3: Train
The train stage reads prepared features and fits the model, then saves the fitted artifact to disk for the next stage to score.
model.fit(X_train, y_train)
joblib.dump(model, "models/model.pkl")Stage 4: Eval
The eval stage loads the saved model, scores it on the held-out test set, and writes metrics like accuracy to a file you can track.
score = model.score(X_test, y_test)
json.dump({"accuracy": score}, open("metrics.json", "w"))Stages Pass Files, Not Variables
Stages talk to each other through files on disk, not in-memory variables. That decoupling is what lets you re-run one stage without the others.
Why Stages Are Cacheable
Because each stage has fixed inputs and outputs, a tool can cache its result. If the inputs did not change, the stage is skipped entirely.
Each Stage Is Its Own Script
Give every stage one small script with a clear job. ingest.py, prep.py, train.py, eval.py read inputs and write outputs, nothing more.
Stages Form a DAG
Stages connect into a DAG, a directed graph where each step depends on the ones before it. Eval depends on train, train on prep, prep on ingest.
Clear Stages Make Debugging Easy
When a run fails, distinct stages tell you exactly where it broke. You can re-run just the failed stage instead of the whole pipeline.
Quick Check
Let us check how stages communicate.
Recap: Ingest, Prep, Train, Eval
You learned to split training into four cacheable stages that pass data through files. Clear stages mean faster reruns and far easier debugging. 🚀
Questions Fréquemment Posées
La leçon « Étapes : ingestion, préparation, entraînement, évaluation » est-elle gratuite ?
Oui — le texte complet de « Étapes : ingestion, préparation, entraînement, évaluation » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours MLOps Academy, passe à CoddyKit PRO. Le cours MLOps Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Étapes : ingestion, préparation, entraînement, évaluation » ?
Décomposez l’entraînement en étapes claires et pouvant être mises en cache. Tu pratiques MLOps Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer MLOps Academy ?
Aucune expérience préalable n'est requise. MLOps Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Étapes : ingestion, préparation, entraînement, évaluation » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon MLOps Academy ?
Oui. Chaque leçon MLOps Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Étapes : ingestion, préparation, entraînement, évaluation
- Définir un pipeline avec les étapes DVC
- Mettre en cache et ignorer les étapes inchangées
- Paramétrer les exécutions avec params.yaml