Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

CI/CD για Κουίζ Μηχανικής Μάθησης

Ελέγξτε πώς οι αγωγοί παράδοσης ML επικυρώνουν δεδομένα, εκπαιδεύουν και αξιολογούν μοντέλα, εφαρμόζουν πύλες προώθησης και συμβιβάζουν την κατάσταση ανάπτυξης.

Σχετικές διαδρομές οδηγώνCi Cd για τη μηχανική μάθηση
Ερώτηση 1 του 8

Τι προσθέτει το CI/CD για μηχανική εκμάθηση πέρα ​​από το παραδοσιακό λογισμικό CI/CD;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι προσθέτει το CI/CD για μηχανική εκμάθηση πέρα ​​από το παραδοσιακό λογισμικό CI/CD;
    • Η αυτοματοποίηση των δεδομένων και των προβλημάτων μοντέλων, όχι μόνο κώδικα
    • Τίποτα — είναι πανομοιότυπο με το λογισμικό CI/CD
    • Μόνο ταχύτερη συλλογή
    • Μια νέα γλώσσα προγραμματισμού
  2. Τι σημαίνει συνήθως το «CT» σε ένα πλαίσιο αγωγού ML;
    • Μεταφορά κωδικού
    • Συνεχής Εκπαίδευση
    • Δοκιμή κοντέινερ
    • Κεντρική Τηλεμετρία
  3. What is a common evaluation gate before promoting a candidate ML model?
    • Promote it whenever training completes
    • Compare only model file sizes
    • Compare it with the production baseline on agreed metrics and promote only if policy thresholds pass
    • Skip evaluation if the code tests pass
  4. Ποιο από αυτά είναι ένα εργαλείο που χρησιμοποιείται συνήθως για την ενορχήστρωση αγωγών ML;
    • Microsoft Word
    • VLC Media Player
    • WinRAR
    • Αγωγοί Kubeflow
  5. Γιατί μπορεί ένας αγωγός ML να περιλαμβάνει ένα βήμα επικύρωσης σχήματος δεδομένων;
    • Για να συλλάβετε δεδομένα εισόδου με κακή μορφή ή μετατόπιση προτού αλλοιώσουν την εκπαίδευση
    • Για να κάνετε τη GPU να λειτουργεί πιο δροσερή
    • Για να συμπιέσετε το σύνολο δεδομένων
    • Για να μετονομάσετε τυχαία τις στήλες
  6. In Flux GitOps, what does reconciliation aim to do?
    • Retrain every model whenever code is committed
    • Make the deployed environment match the declared desired state
    • Automatically change a model’s evaluation labels
    • Replace version-controlled configuration with manual edits
  7. What is a useful model-artifact versioning practice?
    • Ignore training inputs after a model is deployed
    • Replace validation with a deployment timestamp
    • Version model artifacts with source data, code, and evaluation metadata
    • Use a schema check as a guarantee of model quality
  8. What is a typical trigger for continuous training in an ML pipeline?
    • Every inference request must retrain the model
    • A model file being downloaded by a user
    • A CPU core reaching a particular temperature
    • A scheduled run, new approved data, or a monitoring signal such as drift