Pisanie łatwego w utrzymaniu kodu ML

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Struktura projektu

Organizowanie plików projektu w logiczną strukturę
Grupowanie powiązanych plików
- Dane i modele ML w osobnych folderach
Odpowiednie nazewnictwo i oznaczanie plików

struktura

Przykładowa struktura projektu

Przykładowy katalog projektu z plikiem README, plikiem wymagań i trzema podfolderami: data, models, notebooks mlops_directory

README.md: Opisuje cel repozytorium i sposób jego użycia.
requirements.txt: Zawiera listę wszystkich zależności
data: pliki związane z danymi, w tym dane surowe i przetworzone
models: pliki związane z modelami, w tym skrypty do ich tworzenia.
notebooks: notebooki do eksploracji danych, trenowania i ewaluacji modeli.

Wersjonowanie kodu

Używanie systemu kontroli wersji, np. git, do śledzenia zmian w kodzie
Umożliwia cofanie zmian w razie potrzeby
Pomaga zidentyfikować źródło błędów
Umożliwia równoległą pracę

kod

Dokumentacja

Dokumentowanie kodu i struktury projektu
Opisywanie celu każdego pliku i funkcji
Opisywanie sposobu użycia kodu
Instrukcje dotyczące wdrożenia modelu ML

doc

Adaptowalność kodu

Łatwiejszy do zrozumienia, modyfikacji i aktualizacji
Skraca czas i wysiłek potrzebny do wprowadzania zmian
Łatwiej dostosować się do zmian danych, kodu i wymagań
Mniej podatny na błędy
Łatwiejsza integracja nowych funkcji i technologii
Niezbędny do tworzenia aplikacji ML, które mogą ewoluować

Ćwiczmy!

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Preparing Video For Download...