Avaliação do módulo

1.

Um cientista de dados deseja executar um script como um trabalho de comando para treinar um modelo PyTorch, definindo o tamanho do lote e os hiperparâmetros de taxa de aprendizagem para valores especificados sempre que o trabalho for executado. O que deve ser feito pelo cientista de dados?

Crie vários arquivos de script – um para cada combinação de tamanho de lote e taxa de aprendizagem que você deseja usar.

Defina as propriedades de tamanho do lote e taxa de aprendizado do trabalho de comando antes de enviar o trabalho.

Adicione argumentos para o tamanho do lote e a taxa de aprendizado ao script e defina-os na propriedade de comando do trabalho de comando.

2.

Um cientista de dados treinou um modelo em um notebook. O modelo deve ser treinado novamente toda semana em novos dados. O que o cientista de dados deve fazer para deixar o código pronto para produção?

Copie e cole o código de cada célula para um script.

Converta o código em uma função em um script que lê os dados e treina o modelo.

Converta o código em várias funções em um script que leia os dados e treine o modelo.

3.

Um cientista de dados treina um modelo de regressão e deseja acompanhar o desempenho do modelo armazenando o RMSE (Erro Quadrado Médio Raiz) com a execução do experimento. Qual método pode ser usado para registrar o RMSE em um registro de log?

mlflow.log_param()

mlflow.log_artifact()

mlflow.log_metric()

4.

Quando um cientista de dados habilita o registro automático do MLflow, onde todos os ativos de modelo podem ser encontrados?

Na pasta de modelo em Saídas + logs.

Na pasta saídas em Saídas + logs.

Na pasta de modelo em Métricas.

Comentários