Évaluation du module

1.

Un scientifique des données souhaite exécuter un script en tant que travail de commande pour entraîner un modèle PyTorch, en définissant la taille du lot et les hyperparamètres de taux d’apprentissage sur des valeurs spécifiées chaque fois que le travail s’exécute. Que doit faire le scientifique des données ?

Créez plusieurs fichiers de script : un pour chaque combinaison de tailles de lots et de taux d’apprentissage que vous souhaitez utiliser.

Définissez les propriétés de taille de lot et de taux d’apprentissage du travail de commande avant d’envoyer le travail.

Ajoutez des arguments pour la taille du lot et le taux d’apprentissage au script, puis définissez-les dans la propriété de commande de la tâche.

2.

Un data scientist a entraîné un modèle dans un carnet de notes numérique. Le modèle doit être réentraîné chaque semaine sur les nouvelles données. Que doit faire le scientifique des données pour préparer la production de code ?

Copiez et collez le code de chaque cellule dans un script.

Convertissez le code en une fonction dans un script qui lit les données et entraîne le modèle.

Convertissez le code en plusieurs fonctions dans un script qui lit les données et entraîne le modèle.

3.

Un scientifique des données effectue l’apprentissage d’un modèle de régression et souhaite suivre les performances du modèle en stockant l’erreur carrée moyenne racine (RMSE) avec l’exécution de l’expérience. Quelle méthode peut être utilisée pour enregistrer le RMSE ?

mlflow.log_param()

mlflow.log_artifact()

mlflow.log_metric()

4.

Lorsqu’un scientifique des données active la journalisation automatique MLflow, où se trouvent toutes les ressources du modèle ?

Dans le dossier du modèle sous Sorties + logs.

Dans le dossier outputs, sous Outputs + logs.

Dans le dossier model sous Metrics.

Commentaires