Stadi: Ingest, Prep, Train, Eval
Suddivida l'addestramento in passaggi chiari e memorizzabili nella cache.
Stadi: Ingest, Prep, Train, Eval è una lezione MLOps Academy gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento MLOps Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso MLOps Academy include 4 lezioni in totale.
Da un unico script enorme alle fasi
Un unico train.py che fa tutto è difficile da riutilizzare e lento da correggere. Suddividerlo in fasi rende ogni passaggio chiaro ed eseguibile in modo indipendente. 🧩
Le quattro fasi classiche
La maggior parte delle pipeline di addestramento segue la stessa struttura: ingest, prep, train, eval. Ogni fase riceve input e produce output che vengono letti dalla fase successiva.
Fase 1: ingest
La fase di ingest recupera i dati grezzi dalla loro origine, ad esempio un database o un bucket, e li scrive in un percorso locale noto. Non viene ancora eseguita alcuna pulizia.
import pandas as pd
df = pd.read_csv("s3://bucket/raw.csv")
df.to_parquet("data/raw.parquet")Fase 2: prep
La fase di prep pulisce e trasforma i dati grezzi in feature pronte per il modello. Gestisce i valori mancanti, la codifica e la suddivisione in set di addestramento e di test.
Fase 3: train
La fase di train legge le feature preparate e adatta il modello, quindi salva su disco l'artefatto adattato affinché la fase successiva possa valutarlo.
model.fit(X_train, y_train)
joblib.dump(model, "models/model.pkl")Fase 4: eval
La fase di eval carica il modello salvato, ne calcola il punteggio sul set di test separato e scrive in un file metriche come la precisione, che può monitorare.
score = model.score(X_test, y_test)
json.dump({"accuracy": score}, open("metrics.json", "w"))Le fasi passano file, non variabili
Le fasi comunicano tra loro tramite file su disco, non tramite variabili in memoria. Questo disaccoppiamento permette di rieseguire una fase senza rieseguire le altre.
Perché le fasi possono essere messe in cache
Poiché ogni fase ha input e output fissi, uno strumento può mettere in cache il risultato. Se gli input non sono cambiati, la fase viene saltata completamente.
Ogni fase è uno script separato
Assegni a ogni fase un piccolo script con un compito chiaro. ingest.py, prep.py, train.py, eval.py leggono gli input e scrivono gli output, senza fare altro.
Le fasi formano un DAG
Le fasi si collegano in un DAG, un grafo orientato in cui ogni passaggio dipende da quelli precedenti. Eval dipende da train, train da prep e prep da ingest.
Le fasi chiare semplificano il debugging
Quando un'esecuzione fallisce, fasi distinte indicano esattamente dove si è verificato il problema. Può rieseguire solo la fase fallita invece dell'intera pipeline.
Verifica rapida
Verifichiamo come comunicano le fasi.
Riepilogo: ingest, prep, train, eval
Ha imparato a suddividere l'addestramento in quattro fasi memorizzabili nella cache che passano i dati tramite file. Fasi chiare significano riesecuzioni più rapide e un debugging molto più semplice. 🚀
Domande Frequenti
La lezione «Stadi: Ingest, Prep, Train, Eval» è gratuita?
Sì — il testo completo di «Stadi: Ingest, Prep, Train, Eval» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso MLOps Academy, passa a CoddyKit PRO. Il corso MLOps Academy include 4 lezioni in totale.
Cosa imparerò in «Stadi: Ingest, Prep, Train, Eval»?
Suddivida l'addestramento in passaggi chiari e memorizzabili nella cache. Eserciti MLOps Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare MLOps Academy?
Non è richiesta alcuna esperienza precedente. MLOps Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «Stadi: Ingest, Prep, Train, Eval»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione MLOps Academy?
Sì. Ogni lezione MLOps Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Stadi: Ingest, Prep, Train, Eval
- Definire una pipeline con gli stadi DVC
- Memorizzare nella cache e saltare i passaggi invariati
- Parametrizzare le esecuzioni con params.yaml