Uçtan uca makine öğrenimi çerçevelerinde mimari bileşenler

Uçtan Uca Machine Learning

Joshua Stapleton

Machine Learning Engineer

Feature store’lar

Özellikler (features)

Özellik seçimi
Özellik mühendisliği

Feature store

Özellikler için merkezi depo
Tutarlılık sağlar, yinelemeyi azaltır
Paylaşım ve keşfi mümkün kılar
Dönüşüm ve hesaplamaları standartlaştırır

Feature store eklenmiş makine öğrenimi yaşam döngüsü görseli

Feast

Feature store uygulaması için popüler araç
ML özellikleri için birleşik yönetim, depolama, sunum ve keşif sağlar

İlkeler

Özellikleri feature set’lerle tanımlayın ve kaydedin
Feature set’ler: ilgili özelliklerin ve metadatanın gruplaması

Örnek: kalp hastalığı özellikleri

Hasta varlığı
İlişkili özellikler (kolesterol, yaş, cinsiyet)

Feast feature store’lar bölüm 1

from feast import Field, Entity, ValueType, FeatureStore
from feast.data_source import FileSource


# Define the entity, which in this case is a patient, and features
patient = Entity(name="patient", join_keys=["patient_id"])

chol = Field(name="chol", dtype=Float32)
age = Field(name="age", dtype=Int32)
...

# Define the data source
data_source = FileSource(
    path="/path_to_heart_disease_dataset.csv",
    event_timestamp_column="event_timestamp",
    created_timestamp_column="created")

Feast feature store’lar bölüm 2

# ... continued
# Create a feature view of the data
heart_disease_fv = FeatureView(name="heart_disease", entities=[patient],
    schema=[cholesterol, ...], ttl=timedelta(days=1), input=data_source,)


# Create a FeatureStore object
store = FeatureStore(repo_path=".")


# Register the FeatureView
store.apply([patient, heart_disease_fv])

Model kayıt defterleri

Model kayıt defteri

Sürüm kontrol sistemleri
Model sürümlerini izleyin
Modelleri etiketleyin
Zaman içindeki performansı izleyin

Faydalar

Organizasyon
Şeffaflık
Yeniden üretilebilirlik

Model kayıt defteri eklenmiş makine öğrenimi yaşam döngüsü görseli

Hadi pratik yapalım!

Uçtan Uca Machine Learning