Kuis terkait panduan · Sedang Tingkat

CI/CD untuk Kuis Pembelajaran Mesin

Periksa bagaimana alur pengiriman ML memvalidasi data, melatih dan mengevaluasi model, menerapkan gerbang promosi, dan merekonsiliasi status penerapan.

Jalur panduan terkaitCi Cd Untuk Pembelajaran Mesin
Pertanyaan 1 dari 8

Apa yang ditambahkan CI/CD untuk pembelajaran mesin selain CI/CD perangkat lunak tradisional?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang ditambahkan CI/CD untuk pembelajaran mesin selain CI/CD perangkat lunak tradisional?
    • Masalah otomatisasi data dan model, bukan hanya kode
    • Tidak ada — ini identik dengan CI/CD perangkat lunak
    • Hanya kompilasi yang lebih cepat
    • Bahasa pemrograman baru
  2. Apa yang biasanya dimaksud dengan 'CT' dalam konteks pipeline ML?
    • Pemindahan Kode
    • Pelatihan Berkelanjutan
    • Pengujian Kontainer
    • Telemetri Pusat
  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. Manakah dari alat berikut yang biasa digunakan untuk mengatur pipeline ML?
    • Microsoft Kata
    • Pemutar Media VLC
    • WinRAR
    • Saluran Pipa Kubeflow
  5. Mengapa pipeline ML mungkin menyertakan langkah validasi skema data?
    • Untuk menangkap data masukan yang salah format atau menyimpang sebelum merusak pelatihan
    • Untuk membuat GPU bekerja lebih dingin
    • Untuk mengompresi kumpulan data
    • Untuk mengganti nama kolom secara acak
  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