Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Gépi tanulási projekt kvíz felépítése
Az ML kódot, az adatreferenciákat, a jegyzetfüzeteket, a teszteket, a konfigurációt és a műtermékeket egy reprodukálható csapatmunkafolyamat köré szervezheti. együttműködők számára.
kérdés 1 -ból 8
Mit kell egy README projektnek segítenie egy új közreműködőnek megértenie?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit kell egy README projektnek segítenie egy új közreműködőnek megértenie?
- Gyártási hitelesítő adatok minden együttműködő számára
- Minden hiperparaméter a feladat meghatározása előtt
- Adathozzáférés, munkafolyamat-parancsok, előfeltételek és korlátozások
- Garancia arra, hogy az értékelési eredmények pontosak lesznek
- Miért érdemes elkülöníteni az újrafelhasználható kódot a felfedező jegyzetfüzetektől?
- Megakadályozza, hogy a tesztek megosztott átalakításokat importáljanak
- Lehetővé teszi, hogy a szkriptek, tesztek és jegyzetfüzetek egy implementációt használjanak
- Minden notebookhoz külön kódmásolat szükséges
- Arra kényszeríti a notebookokat, hogy sorrendben hajtsák végre a cellákat
- Általában hogyan kell kezelni az érzékeny vagy terjedelmes adatkészleteket?
- Minden másolatot véglegesítsen a tárolóban
- Store access tokens beside the raw data
- Replace data governance with folder names
- Use controlled storage and versioned references rather than blindly committing them to Git
- Where should parameters that vary across runs be stored?
- Parameters that vary between runs without editing core logic
- Source constants manually rewritten for every run
- Notebook output text from a previous experiment
- Serialized predictions from the last model
- What does a distinction between raw and processed data support?
- Guaranteeing the model is unbiased
- Eliminating data versioning
- Tracing transformations and rerunning preprocessing
- Storing only final predictions
- Why should generated artifacts have a clear storage policy?
- They are always safe to commit
- They can be large, sensitive or needed to reproduce results
- They replace source code
- They automatically contain the project license
- How should a team treat a project template such as Cookiecutter Data Science?
- Copy every folder even when unused
- Treat its layout as a legal requirement
- Use it instead of tests
- Use it as a starting convention and adapt it to the workflow
- Which automated check would catch a feature transform changing its expected columns or missing-value behavior?
- A test for expected columns and missing-value cases
- A linter checking code style
- A type annotation on the function signature
- A README description of the transform