0Pricing
Learn AI with Python · Pelajaran

Git untuk Proyek Kecerdasan Buatan

git init, .gitignore untuk data/model, melakukan commit notebook, dan DVC untuk pemberian versi data.

Git untuk Proyek Kecerdasan Buatan adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Git dalam Proyek AI

Git melacak perubahan pada kode Anda sehingga Anda dapat berkolaborasi, membatalkan kesalahan, dan meninjau riwayat. Namun, proyek AI memiliki tantangan tambahan: berkas data berukuran besar dan model biner tidak seharusnya dimasukkan ke Git.

Pelajaran ini membahas .gitignore yang tepat dan penggunaan DVC untuk pembuatan versi data.

Yang Dilacak Git dengan Baik

Git sangat cocok untuk teks: kode sumber, konfigurasi, buku catatan (dengan keluaran yang telah dihapus), dan dokumentasi. Git menyimpan perbedaan berkas teks secara efisien.

Git menangani berkas biner besar dengan buruk — setiap versi disimpan secara utuh, sehingga repositori terus membesar.

Mengapa Data dan Model Tidak Dimasukkan ke Komit

Memasukkan set data 2 GB atau model 500 MB ke dalam komit akan:

  • Membuat repositori membengkak dan memperlambat setiap kloning
  • Tidak dapat dibandingkan secara bermakna
  • Tetap berada dalam riwayat selamanya, bahkan setelah dihapus

Solusinya: abaikan berkas tersebut di Git dan buat versinya dengan alat khusus.

Berkas .gitignore

.gitignore mencantumkan pola yang tidak boleh dilacak Git. Buat berkas ini di direktori akar proyek. Setiap baris adalah pola pencocokan glob.

# .gitignore
*.pkl
*.joblib
*.h5
data/raw/*
data/processed/*
models/*
__pycache__/
*.pyc
.ipynb_checkpoints/
.env

Mengabaikan Berkas Model dan Tembolok

Pola pengabaian AI yang umum:

  • *.pkl, *.joblib, *.h5 — model yang diserialkan
  • __pycache__/, *.pyc — kode bita Python
  • .ipynb_checkpoints/ — penyimpanan otomatis Jupyter
  • .env — rahasia dan kunci API (jangan pernah memasukkan ini ke komit!)

Mempertahankan Direktori Kosong dengan .gitkeep

Git mengabaikan direktori kosong. Untuk mempertahankan data/raw/ dalam struktur repositori sambil mengabaikan isinya, tambahkan berkas .gitkeep kosong dan pola pengecualian.

# .gitignore
data/raw/*
!data/raw/.gitkeep

Memperkenalkan DVC

DVC (Pengendalian Versi Data) membuat versi data dan model berukuran besar bersama Git. Git melacak berkas penunjuk .dvc berukuran kecil; data sebenarnya berada di penyimpanan jarak jauh (S3, GCS, dan sebagainya).

Anda mendapatkan versi data yang dapat direproduksi tanpa membuat repositori Git membengkak.

dvc init

Inisialisasikan DVC di dalam repositori Git yang sudah ada. Perintah ini membuat direktori .dvc/ dan konfigurasi yang Anda masukkan ke komit Git.

# in your git repo
dvc init
git add .dvc .gitignore
git commit -m "Initialize DVC"

dvc add — Melacak Data

dvc add mulai melacak sebuah berkas atau direktori. DVC memindahkan data ke temboloknya dan membuat berkas penunjuk .dvc kecil. Anda membuat komit penunjuk tersebut ke Git, bukan datanya.

dvc add data/raw/dataset.csv
# creates data/raw/dataset.csv.dvc
git add data/raw/dataset.csv.dvc data/raw/.gitignore
git commit -m "Track dataset with DVC"

dvc push dan dvc pull

Konfigurasikan penyimpanan jarak jauh, lalu dvc push mengunggah data ke sana dan dvc pull mengunduh versi yang sesuai dengan komit Git saat ini. Inilah cara rekan satu tim berbagi data.

dvc remote add -d storage s3://my-bucket/dvcstore
dvc push          # upload data to the remote

# teammate after git clone + git checkout:
dvc pull          # fetch the matching data version

Alur Kerja Tim

Rangkaian Git + DVC menyatukan versi kode dan data:

  • git pull untuk mendapatkan kode terbaru dan penunjuk .dvc
  • dvc pull untuk mengambil data dan model yang sesuai
  • Kerjakan perubahan, lalu dvc add + git commit + dvc push

Beralih ke komit lama lalu menjalankan dvc pull akan mereproduksi keadaan yang persis sama.

Pemeriksaan Singkat: Berkas Besar

Proyek Anda memiliki set data pelatihan berukuran 1 GB dan berkas model berukuran 300 MB.

Ringkasan: Git untuk Proyek AI

Anda telah mempelajari pengendalian versi khusus AI:

  • Git untuk teks (kode, konfigurasi, buku catatan); bukan untuk biner besar
  • .gitignore untuk *.pkl, data/raw/*, __pycache__, dan .env
  • .gitkeep untuk mempertahankan direktori kosong
  • DVC: dvc init, dvc add, dvc push/pull untuk membuat versi data dan model
  • Alur kerja Git + DVC menjaga kode dan data tetap sinkron

Selanjutnya: membuat eksperimen dapat direproduksi.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Git untuk Proyek Kecerdasan Buatan” gratis?

Ya — teks lengkap “Git untuk Proyek Kecerdasan Buatan” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Git untuk Proyek Kecerdasan Buatan”?

git init, .gitignore untuk data/model, melakukan commit notebook, dan DVC untuk pemberian versi data. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.

Berapa lama pelajaran “Git untuk Proyek Kecerdasan Buatan” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Struktur Direktori Proyek Kecerdasan Buatan Profesional
  2. Git untuk Proyek Kecerdasan Buatan
  3. Reproduktibilitas: Seed, Konfigurasi, dan Lingkungan
  4. Praktik Terbaik Jupyter Notebooks
← Kembali ke Learn AI with Python