Evaluatie van modules

1.

Een data scientist wil een script uitvoeren als een opdrachttaak om een PyTorch-model te trainen, waarbij de batchgrootte en leersnelheid hyperparameters worden ingesteld op opgegeven waarden telkens wanneer de taak wordt uitgevoerd. Wat moet de data scientist doen?

Maak meerdere scriptbestanden: één voor elke combinatie van batchgrootte en leersnelheid die u wilt gebruiken.

Stel de batchgrootte en leersnelheidseigenschappen van de opdrachttaak in voordat u de taak verzendt.

Voeg argumenten voor batchgrootte en leersnelheid toe aan het script en stel deze in de opdrachteigenschap van de opdrachttaak in.

2.

Een data scientist heeft een model getraind in een notebook. Het model moet elke week opnieuw worden getraind op nieuwe gegevens. Wat moet de data scientist doen om de codeproductie gereed te maken?

Kopieer en plak de code van elke cel in een script.

Converteer de code naar één functie in een script dat de gegevens leest en het model traint.

Converteer de code naar meerdere functies in een script dat de gegevens leest en het model traint.

3.

Een data scientist traint een regressiemodel en wil de prestaties van het model bijhouden door de RMSE (Root Mean Squared Error) op te slaan met de uitvoering van het experiment. Welke methode kan worden gebruikt om de RMSE te registreren?

mlflow.log_param()

mlflow.log_artifact()

mlflow.log_metric()

4.

Wanneer een data scientist automatische registratie van MLflow inschakelt, waar kunnen alle modelassets worden gevonden?

In de modelmap onder Uitvoer + logboeken.

In de uitvoermap onder Uitvoer en logboeken.

In de modelmap onder Metingen.

Feedback