0Pricing
Learn AI with Python · Ders

Özellik Depoları: Feast ve Tecton

Çevrim içi ve çevrim dışı özellik depoları, özellik sürümleme, zaman noktasına duyarlı birleştirmeler, sunum gecikmesi.

Özellik Depoları: Feast ve Tecton, 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.

Özellik Deposu Sorunu

Ekipler aynı özellikleri tekrar tekrar yeniden uygular ve eğitim işlem hatları bunları sunum kodundan farklı biçimde hesaplar. Bir özellik deposu, özellik tanımlarını, yeniden kullanımı ve sunumu merkezileştirerek yinelenen çalışmayı ve eğitim-sunum kaymasını ortadan kaldırır.

Feast ve Tecton

Önde gelen iki özellik deposu:

  • Feast: açık kaynaklı ve hafiftir; kendi altyapınızı kullanmanızı sağlar
  • Tecton: ticari ve yönetilen bir çözümdür; akış verisi özellik işlem hatları ile yönetişim ekler

Her ikisi de varlıklar, özellikler ve çevrimdışı/çevrimiçi depolarla ilgili temel kavramları paylaşır.

Varlıklar ve Özellik Görünümleri

Varlık, özelliklerin açıkladığı şeydir (bir kullanıcı veya ürün gibi). Özellik görünümü, bir varlıkla ilişkili özellikleri gruplar ve bir veri kaynağını gösterir. Bu tanımlar kodda bulunur ve diğer tüm yapıtlar gibi sürümlenir.

# A user entity with features:
#   avg_purchase, days_since_signup, total_orders

feast apply

feast apply, varlık ve özellik görünümü tanımlarınızı özellik deposu kayıt defterine kaydeder. Depo, hangi özelliklerin var olduğunu ve verilerinin nereden geldiğini bu şekilde öğrenir.

feast apply
# Registered entity user
# Registered feature view user_stats

Somutlaştırma

Özellikler sunumdan önce çevrimiçi depoya yüklenmelidir. Somutlaştırma, özellik değerlerini belirli bir zamana kadar hesaplar ve düşük gecikmeli okumaya hazır olmaları için bunları çevrimiçi depoya (örneğin Redis'e) yazar.

feast materialize

feast materialize, bir başlangıç ve bitiş tarihi alır ve bu zaman aralığındaki özellik değerlerini çevrimiçi depoya yükler. Çevrimiçi özellikleri güncel tutmak için bunu bir zamanlamaya göre çalıştırırsınız.

feast materialize 2024-01-01T00:00:00 2024-01-31T00:00:00

Çevrimiçi Sunum

Çıkarım sırasında, verilen varlıkların en güncel özelliklerini get_online_features ile alırsınız; arama yapılacak varlıkları belirleyen varlık satırlarını aktarırsınız. Komut, en güncel değerleri milisaniyeler içinde döndürür.

from feast import FeatureStore

store = FeatureStore(repo_path=".")
features = store.get_online_features(
    features=["user_stats:avg_purchase", "user_stats:total_orders"],
    entity_rows=[{"user_id": 123}],
).to_dict()

Eğitim Verisi Oluşturma

Eğitim için özellik değerlerini geçmiş etiketlerle birleştirirsiniz. Özellik deposu çevrimdışı depodan okur ve her etiket zaman damgasıyla hizalanmış bir veri kümesi döndürür; böylece eğitim girdileri, sunum sırasında sağlanacak girdilerle eşleşir.

training_df = store.get_historical_features(
    entity_df=labels_df,        # has user_id and event_timestamp
    features=["user_stats:avg_purchase"],
).to_df()

Zaman Noktasına Göre Birleştirmeler

Özellik deposunun temel garantisi zaman noktasına göre birleştirmedir: her eğitim etiketi için yalnızca o etiketin zaman damgasında veya daha önce bilinen özellik değerlerini alır. Bu, gelecekteki bilgilerin kullanılmasını önler.

Veri Sızıntısını Önleme

Zaman noktasına göre doğruluk olmadan veri sızıntısı riski alırsınız: etiket olayından sonra hesaplanan özellik değerleriyle eğitim yapmak, çevrimdışı metrikleri olduğundan yüksek gösterir ancak üretimde sonuçlar çöker. Özellik deposu zamansal doğruluğu otomatik olarak zorunlu kılar.

Tüm Yaşam Döngüsü

Özellik deposunun yaşam döngüsü tüm parçaları bir araya getirir:

  • feast apply tanımları kaydeder
  • feast materialize çevrimiçi depoyu yükler
  • eğitim, çevrimdışı depodan zaman noktasına göre birleştirmeleri kullanır
  • sunum, güncel değerleri get_online_features üzerinden okur

Hızlı Kontrol

Özellik deposu bilginizi sınayın.

Özet

Feast ve Tecton ile özellik depolarını öğrendiniz:

  • feast apply varlıkları ve özellik görünümlerini kaydeder
  • feast materialize belirtilen tarihler için çevrimiçi depoyu yükler
  • get_online_features, varlık satırları için güncel değerler sağlar
  • Zaman noktasına göre birleştirmeler, sızıntı içermeyen eğitim verisi oluşturur

Sıkça Sorulan Sorular

“Özellik Depoları: Feast ve Tecton” dersi ücretsiz mi?

Evet — “Özellik Depoları: Feast ve Tecton” 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.

“Özellik Depoları: Feast ve Tecton” dersinde ne öğreneceğim?

Çevrim içi ve çevrim dışı özellik depoları, özellik sürümleme, zaman noktasına duyarlı birleştirmeler, sunum gecikmesi. 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.

“Özellik Depoları: Feast ve Tecton” 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. Yapay Zeka Sistemi Mimari Kalıpları
  2. Airflow ile Ölçeklenebilir Makine Öğrenmesi İşlem Hatları
  3. Özellik Depoları: Feast ve Tecton
  4. Yapay Zeka Sistemi Gözlemlenebilirliği ve İzleme
← Learn AI with Python Sayfasına Dön