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.

Kapcsolódó útmutató utakStructuring A Machine Learning Project
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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