Valutazione del modulo

1.

Un data scientist vuole eseguire uno script come processo di comando per eseguire il training di un modello PyTorch, impostando le dimensioni del batch e gli iperparametri di frequenza di apprendimento sui valori specificati ogni volta che viene eseguito il processo. Cosa deve essere fatto dal data scientist?

Creare più file di script: uno per ogni combinazione di dimensioni batch e frequenza di apprendimento che si vuole usare.

Imposta le proprietà di dimensioni batch e frequenza di apprendimento del processo di comando prima di inviare il processo.

Aggiungere allo script gli argomenti relativi alla dimensione del batch e alla velocità di apprendimento e impostarli nella proprietà comando del processo di comando.

2.

Un data scientist ha eseguito il training di un modello in un notebook. Il modello deve essere sottoposto di nuovo a training ogni settimana sui nuovi dati. Cosa deve fare il data scientist per rendere pronto l'ambiente di produzione del codice?

Copiare e incollare il codice da ogni cella a uno script.

Convertire il codice in una funzione in uno script che legge i dati ed esegue il training del modello.

Convertire il codice in più funzioni in uno script che legge i dati ed esegue il training del modello.

3.

Un data scientist allena un modello di regressione e vuole monitorare le prestazioni del modello archiviando l'Errore Quadratico Medio Radice (RMSE) con la corsa dell'esperimento. Quale metodo può essere usato per registrare l'RMSE?

mlflow.log_param()

mlflow.log_artifact()

mlflow.log_metric()

4.

Quando un data scientist abilita la registrazione automatica di MLflow, dove si trovano tutti gli asset del modello?

Nella cartella del modello in Output e log.

Nella cartella delle uscite sotto Uscite + log.

Nella cartella del modello sotto Metriche.

Commenti e suggerimenti