Introduktion

Träning av en maskininlärningsmodell fungerar manuellt en gång. Den skalas inte när ditt team itererar dagligen, behöver träna om nya data eller måste visa att varje modellversion spårar tillbaka till en granskad och godkänd ändring.

Anta att du är dataexpert på Proseware. Ditt team utvecklar en mobilapp som hjälper utövare att identifiera patienter som kan behöva ytterligare diabetesscreening eller behandling. Du har ett träningsskript för klassificeringsmodellen, men varje körning kräver att någon kommer ihåg rätt kommando, anger autentiseringsuppgifter och tittar på utdata. När en kollega ändrar hur patientdata förbereds finns det ingen automatisk kontroll av att modellen fortfarande tränar korrekt eller uppfyller dess noggrannhetskrav.

Den här modulen bygger automationsskiktet från grunden. Du börjar med versionshantering – vad som ska versionshanteras och vad som ska lagras i specialanpassade lagringsplatser. Sedan utforskar du trunkbaserad utveckling som ett sätt att skydda produktionskoden medan teamet itererar. Därifrån tittar du på hur GitHub Actions verifierar föreslagna ändringar automatiskt innan de slås samman, hur du ansluter dessa arbetsflöden till Azure på ett säkert sätt och hur du utlöser Azure Machine Learning jobb från GitHub händelser och Azure-sidosignaler.

I slutet av den här modulen kan du identifiera vilka maskininlärningstillgångar som hör till Git, beskriva hur trunkbaserad utveckling styr ändringar och förklara hur ett GitHub Actions arbetsflöde validerar kod, autentiserar till Azure och skickar Azure Machine Learning jobb.