Learn AI with Python · Pelajaran

Struktur Direktori Proyek Kecerdasan Buatan Profesional

Tata letak data/, notebooks/, src/, models/, tests/, serta pola cookiecutter-data-science.

Struktur Direktori Proyek Kecerdasan Buatan Profesional adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 1 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.

Mengapa Struktur Itu Penting

Tumpukan buku catatan bernama final.ipynb, final2.ipynb, dan really_final.ipynb dapat membuat proyek AI berakhir kacau. Struktur direktori yang konsisten membuat proyek mudah dibaca, dapat direproduksi, dan mendukung kolaborasi.

Pelajaran ini membahas tata letak Cookiecutter Data Science yang banyak digunakan.

Direktori data

Pisahkan data berdasarkan tahap pemrosesan agar input mentah tidak pernah ditimpa:

data/raw/ — data sumber asli yang tidak dapat diubah
data/processed/ — data yang telah dibersihkan dan siap digunakan model
data/interim/ — transformasi antara

Perlakukan data/raw sebagai hanya-baca — Anda harus selalu dapat membuat ulang semua hal lainnya dari sana.

Mengapa Data Mentah Tidak Dapat Diubah

Jika bug dalam pembersihan merusak satu-satunya salinan data Anda, proyek tersebut tidak dapat diselamatkan. Membiarkan data/raw tetap utuh berarti setiap berkas hasil pemrosesan dapat direproduksi dengan menjalankan ulang alur kerja Anda.

Keluaran hasil pemrosesan dapat dibuang; data mentah harus dijaga.

Direktori notebooks

notebooks/ menyimpan buku catatan untuk eksplorasi dan pelaporan. Konvensi yang umum adalah memberi nomor berdasarkan tahap dan menambahkan inisial, misalnya 1.0-mk-eda.ipynb.

Buku catatan digunakan untuk eksplorasi; logika yang dapat digunakan ulang sebaiknya dipindahkan ke src/.

Paket src

src/ berisi kode Python yang dapat diimpor, dan dibagi berdasarkan tanggung jawab:

src/data/ — skrip pemuatan dan pemrosesan
src/features/ — rekayasa fitur
src/models/ — kode pelatihan dan prediksi
src/visualization/ — grafik dan laporan

src/features dan src/models

Memisahkan rekayasa fitur dan pemodelan ke dalam modul yang berbeda memberikan banyak manfaat: Anda dapat melakukan uji unit pada kode fitur, menggunakannya kembali di berbagai buku catatan, dan mengganti model tanpa menulis ulang persiapan data.

from src.features.build_features import make_features
from src.models.train import train_model

X = make_features(df)
model = train_model(X, y)

Direktori models

models/ menyimpan artefak hasil pelatihan yang diserialkan (misalnya model.pkl, model.joblib). Ini adalah keluaran, bukan kode sumber.

Berkas model besar biasanya tidak seharusnya dimasukkan ke Git — lacak berkas tersebut dengan DVC atau penyimpanan objek (dibahas pada pelajaran berikutnya).

Direktori reports

reports/ menyimpan keluaran yang dibuat untuk manusia: reports/figures/ untuk grafik dan dokumen laporan tingkat teratas. Keluaran ini dibuat oleh kode Anda, sehingga dapat dibuat ulang.

Berkas Konfigurasi dan Lingkungan

Lengkapi proyek dengan berkas tingkat proyek:

requirements.txt atau environment.yml — dependensi
config.yaml — hiperparameter dan jalur
README.md — penjelasan tentang proyek dan cara menjalankannya
.gitignore — hal-hal yang harus dilewati Git

Tata Letak Lengkap

Jika disatukan, proyek AI yang tertata akan terlihat seperti ini:

project/
  data/
    raw/
    interim/
    processed/
  notebooks/
  src/
    data/
    features/
    models/
    visualization/
  models/
  reports/
    figures/
  config.yaml
  requirements.txt
  README.md

Membuatnya dengan Cookiecutter

Anda tidak perlu membangun struktur ini secara manual setiap kali. Template cookiecutter-data-science membuat kerangka seluruh struktur dengan satu perintah.

# pip install cookiecutter
# cookiecutter -c v1 https://github.com/drivendata/cookiecutter-data-science
# Answer a few prompts -> full project tree created

Pemeriksaan Singkat: Di Mana Data Mentah Disimpan

Anda mengunduh CSV asli dari penyedia data.

Ringkasan: Struktur Proyek

Anda telah mempelajari tata letak proyek AI profesional:

data/raw (tidak dapat diubah), data/processed untuk berbagai tahap
notebooks/ untuk eksplorasi, src/features dan src/models untuk kode yang dapat digunakan ulang
models/ untuk artefak, reports/ untuk keluaran
Konfigurasi, dependensi, README, dan .gitignore di direktori akar
cookiecutter-data-science untuk membuat kerangkanya secara instan

Selanjutnya: menggunakan Git secara efektif pada proyek AI.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Struktur Direktori Proyek Kecerdasan Buatan Profesional” gratis?

Ya — teks lengkap “Struktur Direktori Proyek Kecerdasan Buatan Profesional” 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 “Struktur Direktori Proyek Kecerdasan Buatan Profesional”?

Tata letak data/, notebooks/, src/, models/, tests/, serta pola cookiecutter-data-science. 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 1 dari 4.

Berapa lama pelajaran “Struktur Direktori Proyek Kecerdasan Buatan Profesional” 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

Struktur Direktori Proyek Kecerdasan Buatan Profesional
Git untuk Proyek Kecerdasan Buatan
Reproduktibilitas: Seed, Konfigurasi, dan Lingkungan
Praktik Terbaik Jupyter Notebooks

← Kembali ke Learn AI with Python