趋近智
机器学习数据版本控制与实验记录
章节 1: 机器学习可复现性的必要性
机器学习项目管理中的难题
为何单独使用 Git 无法满足需求
定义机器学习中的可复现性
可复现机器学习工作流程的组成部分
数据版本管理的基本思想
实验追踪的基本理念
章节 2: 使用 DVC 管理数据版本
数据版本控制方法
介绍数据版本控制 (DVC)
在项目中设置DVC
跟踪数据文件和目录
数据版本的存储与获取
将 DVC 连接到远程存储 (S3、GCS、Azure Blob)
在不同数据版本间切换
动手实践：数据集版本管理
章节 3: 使用 MLflow 追踪实验
实验跟踪的重要性
MLflow 追踪功能介绍
配置 MLflow
记录参数和指标
记录工件（模型、图表、文件）
使用实验管理运行
使用 MLflow 用户界面
比较实验运行
实践：追踪训练运行
章节 4: DVC 与 MLflow 的整合：构建可复现的工作流程
关联数据版本与实验
为集成构建项目结构
在 MLflow 中记录 DVC 元数据
构建 DVC 流水线
复现 DVC 流水线
追踪 DVC 流水线指标
结合 DVC 流水线与 MLflow 追踪
集成工作流程的最佳实践
动手实践：构建集成式流程
集成工作流程的最佳实践
这部分内容有帮助吗？
- DVC Documentation, Iterative, Inc., 2023 - Data Version Control (DVC) 的官方指南，对于理解机器学习项目中的数据版本控制、管道管理和工件存储至关重要。
- MLflow Documentation, Databricks, 2023 - MLflow 的官方文档，涵盖机器学习工作流的实验跟踪、模型日志记录和工件管理，以及其可重现性。
- Designing Machine Learning Systems, Chip Huyen, 2022 (O'Reilly Media) - 一本关于构建和操作机器学习系统的综合书籍，提供项目组织、MLOps 和确保可重现性的最佳实践。
- The Turing Way: A handbook for reproducible research, The Turing Way Community, 2022 (The Alan Turing Institute) - 一本由社区驱动的手册，提供可重现研究的指导和最佳实践，与建立稳健且可验证的机器学习工作流直接相关。