Stadier: Innhenting, klargjøring, trening, evaluering
Del treningen opp i tydelige trinn som kan hurtigbufres.
Stadier: Innhenting, klargjøring, trening, evaluering er en gratis leksjon i MLOps Academy på CoddyKit. Dette er leksjon 1 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i MLOps Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i MLOps Academy inneholder totalt 4 leksjoner.
Fra ett stort skript til trinn
Én enkelt train.py som gjør alt, er vanskelig å gjenbruke og treg å feilsøke. Når De deler den opp i trinn, blir hvert trinn tydelig og kan kjøres uavhengig. 🧩
De fire klassiske trinnene
De fleste treningspipelines følger samme form: ingest, prep, train, eval. Hvert trinn tar imot inndata og produserer utdata som det neste trinnet leser.
Trinn 1: Ingest
ingest-trinnet henter rådata fra kilden, for eksempel en database eller bucket, og skriver dem til en kjent lokal sti. Ingenting blir renset ennå.
import pandas as pd
df = pd.read_csv("s3://bucket/raw.csv")
df.to_parquet("data/raw.parquet")Trinn 2: Prep
prep-trinnet renser og transformerer rådata til funksjoner som er klare for modellen. Det håndterer manglende verdier, koding og oppdeling i trenings- og testsett.
Trinn 3: Train
train-trinnet leser de klargjorte funksjonene og tilpasser modellen. Deretter lagrer det det tilpassede artefaktet på disk, slik at neste trinn kan beregne skårer.
model.fit(X_train, y_train)
joblib.dump(model, "models/model.pkl")Trinn 4: Eval
eval-trinnet laster den lagrede modellen, beregner skåren på det holdte testsettet og skriver metrikker som nøyaktighet til en fil De kan spore.
score = model.score(X_test, y_test)
json.dump({"accuracy": score}, open("metrics.json", "w"))Trinn sender filer, ikke variabler
Trinn kommuniserer med hverandre gjennom filer på disk, ikke variabler i minnet. Denne løse koblingen gjør det mulig å kjøre ett trinn på nytt uten de andre.
Hvorfor trinn kan hurtigbufres
Fordi hvert trinn har faste inndata og utdata, kan et verktøy hurtigbufre resultatet. Hvis inndataene ikke er endret, hoppes trinnet helt over.
Hvert trinn er sitt eget skript
Gi hvert trinn ett lite skript med en tydelig oppgave. ingest.py, prep.py, train.py og eval.py leser inndata og skriver utdata, ikke noe mer.
Trinn danner en DAG
Trinn kobles sammen til en DAG, en rettet graf der hvert trinn avhenger av trinnene før det. Eval avhenger av train, train av prep og prep av ingest.
Tydelige trinn gjør feilsøking enkelt
Når en kjøring mislykkes, viser tydelige trinn nøyaktig hvor feilen oppstod. De kan kjøre bare det mislykkede trinnet på nytt i stedet for hele pipelinen.
Hurtigsjekk
La oss sjekke hvordan trinn kommuniserer.
Oppsummering: Ingest, Prep, Train, Eval
De har lært å dele treningen i fire hurtigbufrbare trinn som sender data gjennom filer. Tydelige trinn betyr raskere omkjøringer og langt enklere feilsøking. 🚀
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
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Stadier: Innhenting, klargjøring, trening, evaluering» gratis?
Ja – hele teksten i «Stadier: Innhenting, klargjøring, trening, evaluering» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av MLOps Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i MLOps Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Stadier: Innhenting, klargjøring, trening, evaluering»?
Del treningen opp i tydelige trinn som kan hurtigbufres. Du øver på MLOps Academy 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 MLOps Academy?
Ingen tidligere erfaring er nødvendig. MLOps Academy 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 «Stadier: Innhenting, klargjøring, trening, evaluering»?
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 MLOps Academy-leksjonen?
Ja. Alle MLOps Academy-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
- Stadier: Innhenting, klargjøring, trening, evaluering
- Definer en pipeline med DVC-stadier
- Hurtigbufre og hopp over uendrede trinn
- Parameteriser kjøringer med params.yaml