Lær AI med Python · leksjon

Profesjonell katalogstruktur for KI-prosjekter

Oppsett med data/, notebooks/, src/, models/ og tests/, etter mønsteret cookiecutter-data-science.

Leksjon 1 av 413 trinn

Profesjonell katalogstruktur for KI-prosjekter er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 1 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Hvorfor struktur er viktig

En samling notatbøker kalt final.ipynb, final2.ipynb og really_final.ipynb er slik AI-prosjekter går til grunne. En konsekvent katalogstruktur gjør prosjekter lesbare, reproduserbare og enklere å samarbeide om.

Denne leksjonen dekker den mye brukte strukturen fra Cookiecutter Data Science.

data-mappen

Skill data etter behandlingstrinn, slik at rådata aldri overskrives:

data/raw/ — opprinnelige, uforanderlige kildedata
data/processed/ — rensede data som er klare for modellen
data/interim/ — mellomliggende transformasjoner

Behandle data/raw som skrivebeskyttet — du bør alltid kunne generere alt annet på nytt fra disse dataene.

Hvorfor rådata er uforanderlige

Hvis en feil i datarensingen ødelegger den eneste kopien av dataene, er prosjektet i praksis ødelagt. Ved å la data/raw være urørt kan hver behandlet fil gjenskapes ved å kjøre pipelinen på nytt.

Behandlede resultater kan kastes; rådata er hellige.

notebooks-mappen

notebooks/ inneholder notatbøker for utforskning og rapportering. En vanlig konvensjon er å nummerere dem etter trinn og legge til initialer, for eksempel 1.0-mk-eda.ipynb.

Notatbøker er til utforskning; gjenbrukbar logikk bør flyttes til src/.

src-pakken

src/ inneholder den importerbare Python-koden, delt inn etter ansvarsområde:

src/data/ — skript for lasting og behandling
src/features/ — feature engineering
src/models/ — kode for trening og prediksjon
src/visualization/ — diagrammer og rapporter

src/features og src/models

Det lønner seg å holde feature engineering og modellering i separate moduler: Du kan enhetsteste feature-koden, gjenbruke den på tvers av notatbøker og bytte modeller uten å skrive om dataklargjøringen.

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

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

models-mappen

models/ lagrer serialiserte, trente artefakter (for eksempel model.pkl og model.joblib). Dette er resultater, ikke kildekode.

Store modellfiler bør vanligvis ikke legges i Git — spor dem heller med DVC eller objektlagring (dette dekkes i neste leksjon).

reports-mappen

reports/ inneholder genererte resultater for mennesker: reports/figures/ for diagrammer og et rapportdokument på toppnivå. Disse produseres av koden din, så de kan genereres på nytt.

Konfigurasjons- og miljøfiler

Fullfør prosjektet med filer på prosjektnivå:

requirements.txt eller environment.yml — avhengigheter
config.yaml — hyperparametere og filstier
README.md — hva prosjektet er, og hvordan det kjøres
.gitignore — hva Git skal hoppe over

Den fullstendige strukturen

Satt sammen ser et ryddig AI-prosjekt slik ut:

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

Generere den med Cookiecutter

Du trenger ikke å bygge dette for hånd hver gang. Malen cookiecutter-data-science oppretter hele grunnstrukturen med én kommando.

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

Kort sjekk: Hvor lagres rådata?

Du laster ned en original CSV-fil fra en dataleverandør.

Besvar den i den interaktive leksjonen

Oppsummering: Prosjektstruktur

Du har lært den profesjonelle strukturen for AI-prosjekter:

data/raw (uforanderlige data), data/processed for behandlingstrinn
notebooks/ for utforskning, src/features og src/models for gjenbrukbar kode
models/ for artefakter, reports/ for resultater
Konfigurasjon, krav, README og .gitignore i roten
cookiecutter-data-science for å opprette grunnstrukturen umiddelbart

Neste: effektiv bruk av Git i AI-prosjekter.

Gratis å komme i gang

Lær deg Python med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs: 53
Leksjoner: 225

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Profesjonell katalogstruktur for KI-prosjekter» gratis?

Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Profesjonell katalogstruktur for KI-prosjekter», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Hva lærer jeg i «Profesjonell katalogstruktur for KI-prosjekter»?

Oppsett med data/, notebooks/, src/, models/ og tests/, etter mønsteret cookiecutter-data-science. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med Lær AI med Python?

Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 1 av 4.

Hvor lang tid tar leksjonen «Profesjonell katalogstruktur for KI-prosjekter»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?

Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

Profesjonell katalogstruktur for KI-prosjekter
Git for KI-prosjekter
Reproduserbarhet: seeds, konfigurasjoner og miljøer
Beste praksis for Jupyter Notebooks

← Tilbake til Lær AI med Python