0Pricing
Learn AI with Python · Ders

Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma

sklearn Pipeline, iş akışlarını joblib ile kalıcılaştırma, config dosyalarıyla parametreli çalıştırmalar.

Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

Yeniden Üretilebilirlik Neden Önemlidir?

Yeniden üretemediğiniz bir sonuç bilim değil, şanstır. Yeniden üretilebilir işlem hatları, aynı veri ve yapılandırmanın her zaman aynı modeli üretmesini sağlar; bu da hata ayıklama, denetimler ve ekip çalışması için zorunludur.

sklearn İşlem Hattı

Bir scikit-learn işlem hattı, ön işleme adımlarını ve modeli tek bir nesnede birleştirir. Böylece eğitim sırasında uygulanan dönüşümlerin aynısı çıkarım sırasında da uygulanır ve eğitim/sunum sapması ortadan kalkar.

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier

pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("model", RandomForestClassifier(n_estimators=200))
])
pipe.fit(X_train, y_train)

İşlem Hattını Artefakt Olarak Kalıcılaştırma

Tüm işlem hattı tek bir nesne olduğundan, onu tek bir artefakt olarak kaydedip istediğiniz yerde yeniden yükleyebilirsiniz; böylece ön işlemenin modelle birlikte taşındığından emin olursunuz.

joblib.dump ve load

joblib, scikit-learn nesnelerini verimli biçimde serileştirir (büyük NumPy dizilerini pickle'dan daha iyi işler). Uyarlanmış işlem hattını kaydedin, ardından sunum için yeniden yükleyin.

import joblib

joblib.dump(pipe, "pipeline.joblib")        # save
loaded = joblib.load("pipeline.joblib")    # reload
preds = loaded.predict(X_new)

Hiperparametreler için YAML Yapılandırması

Sabit kodlanmış değerler, bir run'ın hangi değerleri kullandığını gizler. Tüm hiperparametreleri bir YAML dosyasına koyun; böylece her ayar açıkça belirtilir, sürüm denetimine alınır ve kodu düzenlemeden değiştirilebilir.

# config.yaml
model:
  n_estimators: 200
  max_depth: 8
data:
  test_size: 0.2
  random_state: 42

Yapılandırmayı Yükleme

YAML'ı başlangıçta bir kez okuyup değerleri işlem hattınıza aktarın; böylece tek bir dosya tüm run'ı yönetir.

import yaml

with open("config.yaml") as f:
    cfg = yaml.safe_load(f)

model = RandomForestClassifier(
    n_estimators=cfg["model"]["n_estimators"],
    max_depth=cfg["model"]["max_depth"]
)

Rastgele Tohumları Sabitleme

Yeniden üretilebilirlik ayrıca her yerde sabit rastgele tohumlar gerektirir: eğitim/sınama bölmesi, model başlatma ve her türlü karıştırma. Tohumu YAML yapılandırmasında saklayın; böylece açıkça belirtilmiş ve tutarlı olur.

from sklearn.model_selection import train_test_split

X_tr, X_te, y_tr, y_te = train_test_split(
    X, y, test_size=cfg["data"]["test_size"],
    random_state=cfg["data"]["random_state"]
)

Tekrarlanabilir Adımlar için Makefile

Bir Makefile, her işlem hattı aşamasını adlandırılmış bir hedefe dönüştürür; böylece herkes uzun komutları hatırlamak yerine make train komutunu çalıştırır. Bu, iş akışını ekip genelinde standartlaştırır.

Make Hedeflerini Tanımlama

Yaygın hedefler make data, make train ve make evaluate komutlarıdır; her biri karşılık gelen betiği çağırır.

# Makefile
data:
	python src/prepare_data.py

train:
	python src/train.py --config config.yaml

evaluate:
	python src/evaluate.py --config config.yaml

Bağımlılıkları Zincirleme

Make hedefleri birbirine bağımlı olabilir. Böylece gerekirse make train önce data hedefini çalıştırır ve işlem hattının her zaman doğru sırayla çalışması garanti edilir.

train: data
	python src/train.py --config config.yaml

Hepsini Bir Araya Getirme

Yeniden üretilebilir bir kurulumda: joblib ile kalıcılaştırılmış bir işlem hattı, YAML içinde tüm hiperparametreler, sabit tohumlar ve make data / train / evaluate komutlarını sunan bir Makefile bulunur. Herkes depoyu kopyalayıp modelinizin aynısını yeniden üretebilir.

Kısa Sınama

Yeniden üretilebilir işlem hatları bilginizi sınayın.

Özet

Yeniden üretilebilir işlem hatları oluşturdunuz: joblib.dump/load ile kalıcılaştırılmış bir sklearn işlem hattı, YAML yapılandırmasında tüm hiperparametreler, sabitlenmiş rastgele tohumlar ve make data / train / evaluate hedeflerini içeren bir Makefile. Sıradaki konu: üretimdeki modelleri izleme.

Sıkça Sorulan Sorular

“Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma” dersi ücretsiz mi?

Evet — “Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

“Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma” dersinde ne öğreneceğim?

sklearn Pipeline, iş akışlarını joblib ile kalıcılaştırma, config dosyalarıyla parametreli çalıştırmalar. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.

“Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

  1. MLflow ile Deney Takibi
  2. Model Kayıt Defteri ve Sürümleme
  3. Yeniden Üretilebilir Makine Öğrenmesi İşlem Hatları Oluşturma
  4. Üretimde Model Performansını İzleme
← Learn AI with Python Sayfasına Dön