Avaliação do módulo

1.

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

Crie múltiplos ficheiros de script – um para cada combinação de tamanho de lote e taxa de aprendizagem que queira usar.

Antes de submeter o trabalho, defina o tamanho do lote e as propriedades da taxa de aprendizado do trabalho de comando.

Adiciona argumentos para o tamanho do lote e a taxa de aprendizagem ao script, e define-os na propriedade de comando do trabalho de comando.

2.

Um cientista de dados treinou um modelo num caderno. O modelo deve ser retreinado todas as semanas com novos dados. O que deve o cientista de dados fazer para tornar o código pronto para produção?

Copia e cola o código de cada célula para um script.

Converte o código numa função num script que lê os dados e treina o modelo.

Converte o código para múltiplas funções num script que leem os dados e treinam o modelo.

3.

Um cientista de dados treina um modelo de regressão e deseja acompanhar o desempenho do modelo armazenando o RMSE (Erro Quadrático Médio Raiz) com a execução do experimento. Que método pode ser utilizado para registar o RMSE?

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 do modelo podem ser encontrados?

Na pasta de modelo, em Resultados + logs.

Na pasta de resultados dentro de Outputs + logs.

Na pasta modelo, em Metrics.

Comentários