made-with-ml

Made With MLは、プロダクションレベルの機械学習アプリケーションの構築に焦点を当てた教育的リポジトリおよびコンパニオンコースである。機械学習とソフトウェアエンジニアリングの実践を組み合わせ、学習者を実験からデプロイ、反復まで導く。 教材はmadewithml.comで公開されるレッスンと、このリポジトリのコードで構成されている。ML概念の第一原理的理解、ソフトウェアエンジニアリングのベストプラクティス、PythonでのMLワークロードのスケーリング、MLOpsコンポーネントの接続、開発から本番環境への移行、CI/CDワークフローの構築を重視している。 対象読者は、ソフトウェアエンジニア、インフラエンジニア、データサイエンティスト、大学卒業生、技術的基盤を求めるプロダクトやリーダーシップ役割の人々である。 セットアップ手順は、ローカルマシン、Anyscaleワークスペース、その他のクラウド、Kubernetes、オンプレミスオプションをカバーする。JupyterノートブックはコアMLワークロードのインタラクティブなウォークスルーを提供し、madewithml/以下のリファクタリングされたPythonスクリプトは、設定、データ、評価、モデル、予測、サービング、トレーニング、チューニング、ユーティリティをカバーする。 ワークフローには、設定可能なワーカーとリソースによるトレーニングとハイパーパラメータチューニング、MLflowによる実験追跡、ホールドアウトデータセットに対する評価、推論、モデルサービングが含まれる。テストはコード、データ、モデルのカバレッジレポート付きで実施される。 本番デプロイはAnyscale JobsとServicesを使用し、クラスター環境と計算設定ファイル、認証設定、サービス展開、クエリ、ロールバック、终止コマンドを含む。CI/CDはGitHub Actionsで実装され、プルリクエストはトレーニングと評価ワークフローをトリガーして結果をコメントとして投稿し、mainへのマージは新しいサービスのロールアウトをトリガーするサーブワークフローを起動する。リポジトリはまた、継続的学習、スケジュールされた実行の接続、データパイプライン、監視、オンライン評価についても言及している。 FAQではJupyterノートブックのカーネル設定について扱っている。本プロジェクトはオープンソースコードおよびコースコンテンツとして配布され、READMEには何万人もの開発者のコミュニティが紹介されている。