Rehber bağlantılı sınav · Orta Seviye

Deney İzleme Testi

Çalıştırma meta verilerini, ölçümlerini, yapıtlarını, veri kümesi kimliğini, ortam yakalamayı ve deneme kayıtlarının destekleyebileceği konuları kapsar.

İlgili kılavuz yollarıDeneme Takibi
Soru 1 arasında 8

Makine öğreniminde deneme izlemenin temel amacı nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Makine öğreniminde deneme izlemenin temel amacı nedir?
    • Çalıştırmaların tam bağlamını kaydederek tekrarlanabilir ve karşılaştırılabilir hale getirmek
    • Modellerin GPU'da daha hızlı eğitilmesini sağlamak için
    • Modelleri üretime otomatik olarak dağıtmak için
    • Depolama amacıyla model ağırlıklarını sıkıştırmak için
  2. Tek bir eğitim çalışmasının gerçekten tekrarlanabilir olmasını sağlamak için hangi kombinasyon gereklidir?
    • Yalnızca nihai doğruluk numarası
    • Kod sürümü, veri kümesi ve hiper parametreler
    • GPU sıcaklığı ve fan hızı
    • Veri bilimcisinin adı
  3. Bunlardan hangisi popüler bir deneme izleme aracıdır?
    • Photoshop
    • Kubernet'ler
    • ML akışı
    • PostgreSQL
  4. Çoğu deneme izleyicisi, eğitim sırasında metrikleri genellikle nasıl yakalar?
    • Daha sonra sayıları bir e-tabloya manuel olarak kopyalayarak
    • Terminalin ekran görüntülerini alarak
    • Modelin kaynak kodunu okuyarak
    • Bir arka uca akış sağlayan eğitim döngüsüne eklenen API çağrılarının günlüğe kaydedilmesi yoluyla
  5. Kaydedilen model ağırlıkları gibi büyük eserler genellikle bir izleme sistemi tarafından nerede depolanır?
    • Nesne/yapı depolamada, referanslar meta veri deposunda tutulur
    • Metrik veritabanı satırının içinde
    • GPU belleğinde kalıcı olarak
    • Hiçbir şekilde saklanmıyorlar
  6. Büyük dil modelleri çağında deney izleme nasıl gelişiyor?
    • LLM'lerin izlemeye ihtiyaç duymaması nedeniyle terk ediliyor
    • Artık anlık sürümleri, değerlendirme izlerini ve niteliksel çıktıları da yakalıyor
    • Artık yalnızca GPU maliyetlerini takip ediyor
    • Tamamen video düzenleme yazılımıyla birleşti
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store