Valoración del módulo

1.

Un científico de datos quiere ejecutar un script como un trabajo de comando para entrenar un modelo de PyTorch, estableciendo el tamaño del lote y los hiperparámetros de velocidad de aprendizaje en valores especificados cada vez que se ejecuta el trabajo. ¿Qué debe hacer el científico de datos?

Cree varios archivos de script: uno para cada combinación de tamaño de lote y velocidad de aprendizaje que quiera usar.

Establezca las propiedades de tamaño de lote y velocidad de aprendizaje del trabajo de comando antes de enviar el trabajo.

Agregue argumentos para el tamaño del lote y la velocidad de aprendizaje al script y establézcalos en la propiedad command de la tarea de comando.

2.

Un científico de datos ha entrenado un modelo en un cuaderno. El modelo debe volver a entrenarse cada semana en nuevos datos. ¿Qué debe hacer el científico de datos para preparar el código en producción?

Copie y pegue el código de cada celda en un script.

Convierta el código en una función de un script que lea los datos y entrene el modelo.

Convierta el código en varias funciones de un script que lea los datos y entrene el modelo.

3.

Un científico de datos entrena un modelo de regresión y quiere realizar un seguimiento del rendimiento del modelo almacenando el error cuadrático medio raíz (RMSE) con la ejecución del experimento. ¿Qué método se puede usar para registrar el RMSE?

mlflow.log_param()

mlflow.log_artifact()

mlflow.log_metric()

4.

Cuando un científico de datos habilita el registro automático de MLflow, ¿dónde se pueden encontrar todos los recursos del modelo?

En la carpeta del modelo, en Resultados y registros.

En la carpeta de salidas, en Resultados y registros.

En la carpeta del modelo, en Métricas.

Comentarios