一个机器学习 (machine learning)项目由多个不同部分组成：数据、源代码以及训练好的模型本身。如果模型性能出现意外变化，你该如何确定原因？是新数据集的问题，是特征工程代码的改动，还是超参数 (parameter) (hyperparameter)设置的不同？如果没有系统的方法来跟踪这些组件，回答这类问题会非常困难，甚至无法做到。版本控制为此提供了必要的组织框架。

本章介绍管理这些组件所需的实践，以确保你的工作具有可复现性。我们将首先明确为什么可复现性是构建易维护且可靠系统的要求。随后，你将学习针对机器学习项目三大产出物进行版本控制的技术：

• 代码： 使用 Git 等工具进行版本管理。
• 数据： 理解为何以及如何跟踪数据集的变化。
• 模型： 存储并管理训练好的模型，将其与产生该模型的特定代码和数据关联起来。

我们还会讲解实验跟踪，即记录每次模型训练运行相关的参数、指标和产出物的过程。本章最后有一个实践练习，你将在其中把这些版本控制技术应用到一个简单的机器学习项目中。