एंड-टू-एंड मशीन लर्निंग फ्रेमवर्क्स के आर्किटेक्चरल कॉम्पोनेंट्स

एंड-टू-एंड मशीन लर्निंग

Joshua Stapleton

Machine Learning Engineer

Feature stores

Features

फीचर चयन
फीचर इंजीनियरिंग

Feature store

फीचर्स का केंद्रीय रिपोजिटरी
स्थिरता सुनिश्चित करता है, डुप्लीकेशन घटाता है
शेयरिंग और डिस्कवरी सक्षम करता है
फीचर ट्रांसफॉर्मेशन और कैलकुलेशन को स्टैंडर्डाइज़ करता है

फीचर स्टोर जोड़े गए मशीन लर्निंग लाइफसाइकल की छवि

Feast

फीचर स्टोर्स बनाने के लिए लोकप्रिय टूल
ML फीचर्स के लिए यूनिफाइड मैनेजमेंट, स्टोरेज, सर्विंग, और डिस्कवरी देता है

Principles

फीचर्स को फीचर सेट्स के साथ परिभाषित करें, रजिस्टर करें
फीचर सेट्स: संबंधित फीचर्स + मेटाडेटा का ग्रुपिंग

उदाहरण: हार्ट डिजीज फीचर्स

पेशेंट एंटिटी
संबंधित फीचर्स (cholesterol, age, sex)

Feast फीचर स्टोर्स भाग 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 फीचर स्टोर्स भाग 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 registries

Model registry

वर्ज़न कंट्रोल सिस्टम्स
मॉडल के अलग-अलग वर्ज़न ट्रैक करें
मॉडलों को एनोटेट करें
समय के साथ प्रदर्शन ट्रैक करें

Benefits

संगठन
पारदर्शिता
पुनरुत्पादनयोग्यता

मॉडल रजिस्ट्री जोड़ी गई मशीन लर्निंग लाइफसाइकल की छवि

अभ्यास करते हैं!

एंड-टू-एंड मशीन लर्निंग