Jejak Asal Usul Data hingga Model
Pautkan model yang digunakan semula kepada data dan kod tepatnya.
Jejak Asal Usul Data hingga Model ialah pelajaran MLOps Academy percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran MLOps Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus MLOps Academy merangkumi sejumlah 4 pelajaran.
Maksud Salasilah
Salasilah ialah rantaian berdokumen yang menghubungkan model yang digunakan kembali kepada data, kod dan konfigurasi tepat yang menghasilkannya. 🔗
Mengapa Anda Memerlukannya
Apabila sesuatu ramalan dipersoalkan, salasilah membolehkan anda menjawab satu soalan sukar: data dan versi kod yang manakah menghasilkan model ini?
Tiga Input untuk Dijejaki
Setiap model terlatih mempunyai tiga sumber yang wajar dijejaki: versi set data, komit kod latihan dan parameter pelaksanaan.
Tetapkan Komit Kod
Logkan cincangan komit Git yang tepat bersama setiap pelaksanaan supaya anda sentiasa tahu kod yang melatih model tersebut.
import subprocess
commit = subprocess.check_output(["git", "rev-parse", "HEAD"]).decode().strip()
mlflow.set_tag("git_commit", commit)Tetapkan Versi Data
Rekodkan versi data juga. Dengan DVC, cincangan data disimpan dalam Git, jadi komit itu sudah menunjuk kepada satu keadaan set data yang tepat.
MLflow Menyimpan Pautan
MLflow menyimpan parameter, metrik dan tag bagi setiap pelaksanaan, jadi model yang dilogkan sudah membawa penunjuk kepada cara model itu dibina. 🧾
mlflow.log_param("data_path", "data/train.csv")
mlflow.log_metric("f1", 0.91)
mlflow.sklearn.log_model(model, "model")Tag Pelaksanaan dengan Lengkap
Tag ialah metadata percuma. Lampirkan cincangan set data, nama persekitaran dan pengarang supaya pelaksanaan itu dapat menceritakan kisahnya sendiri kemudian.
mlflow.set_tag("dataset_hash", "a1b2c3")
mlflow.set_tag("author", "team-fraud")Salasilah ialah Graf
Bayangkan salasilah sebagai graf: nod data mengalir ke pelaksanaan latihan, yang mengalir ke model, kemudian ke penggunaan.
Jejaki ke Hadapan dan ke Belakang
Salasilah yang baik berfungsi dalam kedua-dua arah. Ke belakang menjawab perkara yang membina model ini; ke hadapan menjawab model yang terjejas oleh sesuatu set data.
Baca Salasilah daripada Pelaksanaan
Anda boleh mendapatkan pelaksanaan lalu mengikut ID dan membaca tagnya untuk membina semula data dan komit tepat yang menghasilkan model tersebut.
run = mlflow.get_run(run_id)
print(run.data.tags["git_commit"])
print(run.data.tags["dataset_hash"])Alat yang Melakukan Hal Ini
MLflow, DVC dan alat khusus seperti OpenLineage menangkap pautan ini secara automatik supaya anda tidak perlu menyusun salasilah secara manual.
Semakan Pantas
Uji pemahaman anda tentang perkara yang sebenarnya dihubungkan oleh salasilah.
Imbas Kembali
Anda telah mempelajari bahawa salasilah menghubungkan model dengan data, kod dan parameternya, yang direkodkan sebagai tag pada sesuatu pelaksanaan supaya mana-mana model boleh dijejaki sepenuhnya. ✅
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Jejak Asal Usul Data hingga Model” percuma?
Ya — teks penuh “Jejak Asal Usul Data hingga Model” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus MLOps Academy, tingkat taraf kepada CoddyKit PRO. Kursus MLOps Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Jejak Asal Usul Data hingga Model”?
Pautkan model yang digunakan semula kepada data dan kod tepatnya. Anda berlatih MLOps Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan MLOps Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran MLOps Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.
Berapa lamakah pelajaran “Jejak Asal Usul Data hingga Model” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Jejak Asal Usul Data hingga Model
- Tulis Kad Model
- Jejak Audit dan Kebolehulangan
- Kawalan Akses dan Pematuhan