Félicitations !

Introduction au contrôle de versions des données avec DVC

Ravi Bhadauria

Machine Learning Engineer

Gestion de versions des données et DVC

  • Anatomie d'un modèle de Machine Learning
    • Code, données et hyperparamètres définissent précisément un modèle
    • Les trois doivent être suivis et versionnés
  • Git et DVC
    • Git suit le code, DVC suit les données
    • Git suit les métadonnées sur les données réelles
  • Ce que permet DVC
    • Versionner les données et les modèles
    • Exécuter des pipelines d'expériences reproductibles
    • Suivre l'évolution des métriques et des graphiques
Introduction au contrôle de versions des données avec DVC

DVC : configuration, cache et distants

  • Configuration
    • Installer avec pip install dvc
    • Initialiser avec dvc init
    • Utiliser .dvcignore pour contrôler les motifs de fichiers à suivre
  • Cache
    • Ajouter des fichiers avec dvc add
    • Suivre les métadonnées via les fichiers .dvc
    • Retirer avec dvc remove, nettoyer avec dvc gc
  • Distants
    • Configurer avec dvc remote add, lister avec dvc remote list
    • Téléverser et télécharger les données avec dvc push et dvc pull
Introduction au contrôle de versions des données avec DVC

Pipelines DVC

  • Anatomie du fichier dvc.yaml

    • Ajouter des étapes avec dvc stage add
    • Comprend steps, commands, dependencies, params et outputs
    • Suivre métriques et graphiques avec les clés metrics et plots

  • Visualiser et exécuter le DAG

    • Visualiser avec dvc dag
    • Exécuter avec dvc repro

  • Afficher et comparer métriques et graphiques

    • Visualiser avec dvc plots show et dvc metrics show
    • Comparer avec dvc plots diff et dvc metrics diff
Introduction au contrôle de versions des données avec DVC

Merci !

Introduction au contrôle de versions des données avec DVC

Preparing Video For Download...