引導式測驗 · 中等 等級
機器學習專案結構測驗
圍繞可重複的團隊工作流程組織 ML 程式碼、資料引用、筆記本、測試、配置和工件。對於合作者。
問題 1 的 8
新貢獻者應該從專案 README 了解什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 新貢獻者應該從專案 README 了解什麼?
- 每位協作者的正式憑證
- 在定義任務前列出所有超參數
- 資料存取、工作流程指令、先決條件與限制
- 保證評估結果的準確性
- 為什麼要將可重複使用的程式碼與探索性筆記本分離?
- 它防止測試程式碼匯入共用轉換
- 它允許腳本、測試與筆記本共用同一實作
- 它要求每個筆記本都複製一份程式碼
- 它強迫筆記本按順序執行儲存格
- 敏感或龐大的資料集通常應如何處理?
- 將每份複本提交到版本庫
- 將存取權杖與原始資料放在一起
- 用資料夾名稱取代資料治理
- 使用受控儲存與版本化參照,而非盲目提交到 Git
- 哪些參數應該儲存於不同執行之間?
- 在不編輯核心邏輯的情況下,執行間變動的參數
- 手動為每次執行重新寫入來源常數
- 前一次實驗的筆記本輸出文字
- 最後一個模型的序列化預測
- 原始資料與處理後資料的區分支持什麼?
- 保證模型無偏差
- 消除資料版本化
- 追蹤轉換並重新執行預處理
- 僅儲存最終預測
- 為什麼生成的產物應該有明確的儲存策略?
- 它們隨時都可以安全地提交
- 它們可能體積龐大、涉及敏感資訊,或是重現結果所必需的
- 它們取代了原始碼
- 它們自動包含專案授權條款
- 團隊應該如何對待像 Cookiecutter Data Science 這樣的專案範本?
- 即使未使用也複製所有資料夾
- 將其結構視為法律要求
- 用它來取代測試
- 將其作為起始慣例,並根據工作流程進行調整
- 哪種自動化檢查能發現特徵轉換改變了預期欄位或缺失值行為?
- 針對預期欄位和缺失值情況的測試
- 檢查程式碼風格的 Linter
- 函式簽名上的型別註解
- README 中對轉換的描述