Psaní udržovatelného kódu ML

Developing Machine Learning Models for Production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Strukturování projektu

  • Uspořádejte soubory projektu do logické struktury
  • Seskupujte související soubory
    • Datové sady a ML modely ukládejte do samostatných složek
  • Zajistěte správné pojmenování a označení souborů

struktura

Developing Machine Learning Models for Production

Ukázková struktura projektu

Ukázkový adresář projektu se souborem README, souborem požadavků a třemi podsložkami: data, models, notebooks mlops_directory

  • README.md: Popisuje účel repozitáře a způsob jeho použití.
  • requirements.txt: Obsahuje seznam všech závislostí
  • data: obsahuje datové soubory, včetně surových a zpracovaných dat
  • models: obsahuje soubory modelů, včetně skriptů pro jejich vytváření.
  • notebooks: obsahuje notebooky pro průzkum dat, trénování a vyhodnocování modelů.
Developing Machine Learning Models for Production

Verzování kódu

  • Používejte systém správy verzí, např. git, ke sledování změn v kódu
  • Umožňuje vrácení změn v případě potřeby
  • Pomáhá identifikovat zdroj chyb
  • Umožňuje paralelní práci

kód

Developing Machine Learning Models for Production

Dokumentace

  • Dokumentujte kód a strukturu projektu
  • Vysvětlete účel každého souboru a funkce
  • Popište způsob použití kódu
  • Zahrňte pokyny k nasazení ML modelu

dokumentace

Developing Machine Learning Models for Production

Adaptabilita kódu

  • Snadněji srozumitelný, upravitelný a aktualizovatelný
  • Snižuje čas a úsilí potřebné ke změnám v kódu
  • Snadnější přizpůsobení změnám dat, kódu i požadavků
  • Méně náchylný k chybám
  • Snadnější integrace nových funkcí nebo technologií
  • Nezbytný pro tvorbu ML aplikací schopných vývoje a adaptace
Developing Machine Learning Models for Production

Pojďme procvičovat!

Developing Machine Learning Models for Production

Preparing Video For Download...