aitech-ium/IUM_01.Wprowadzenie.ipynb

AITech Inżynieria Uczenia Maszynowego

1. Wprowadzenie

1.1 Specyfika rozwoju systemów wykorzystujących uczenie maszynowe

Od czego zależy wynik działania systemu?

System "klasyczny":

• Kod (algorytm)

• Środowisko

• Dane wejściowe

  System wykorzystujący uczenie maszynowe:

• Kod (algorytm) inferencji

• Środowisko

• Dane wejściowe

• Model:

  • Dane trenujące
  • Kod trenujący
  • Architektura
  • Hiperparametry

_{Źródło: https://www.reddit.com/r/learnmachinelearning/comments/hkcf4o/traditional_programming_vs_machine_learning/}

1.1 Specyfika rozwoju systemów wykorzystujących uczenie maszynowe

• Trenowanie modeli uczenie maszynowego to "nauka eksperymentalna".
• Nie da się wydedukować optymalnej architektury parametrów i hiperparametrów.
• Możemy stawiać hipotezy oparte na intuicji, doświadczeniu (własnym lub cudzym) i analogiach i weryfikować je empirycznie - metodą prób i błędów.
• .. albo wykorzystując AutoML

1.1 Specyfika rozwoju systemów wykorzystujących uczenie maszynowe

• Więcej zmiennych wpływających na wynik -> trudniejsza kontrola na działaniem
• Powolna pętla sprzężenia zwrotnego (slow feedback) - trenowanie może zajmować godziny, dni, miesiące...
• ... i kosztować $.
• Nie stać nas na błędy wykrywane po dniach obliczeń!
• Potrzeba stosowania praktyk i narzędzi, które ułatwią kontrolę nad tymi zmiennymi.

1.2 Narzędzia

• Kontrola wersji
• Systemy ciągłej integracji
• Konteneryzacja i virtualne środowiska
• Kontrola eksperymentów

1.2.1 Systemy ciągłej integracji

• Jenkins
  
• Bamboo
  
• Circle CI
  
• Team City
  
• Gitlab CI
  

1.2.1 Systemy ciągłej integracji

Systemy takie umożliwiają automatyczne:

• budowanie

• testowanie

• wydawanie

  oprogramowania w stabilnym środowisku.

Działają jako aplikacja webowa z graficznym interfejsem, umożliwiająca łatwe zarządzanie i monitorowanie wykonywanych w niej zadań.

1.2.2 Konteneryzacja i wirtualne środowiska

• Docker
  
• Conda
  
• Virtual Env
  

1.2.2 Konteneryzacja i virtualne środowiska

Konteneryzacja (np. za pomocą Dockera) i wirtualne środowiska (takie jak Conda i ViertualEnv) zapewniają:

• stabilne
• odizolowane
• łatwo konfigurowalne środowisko do rozwoju aplikacji.

1.2.3 Narzędzia do kontroli eksperymentów

• Sacred
  
• DVC
  
• MLFlow
  

1.2.3 Narzędzia do kontroli eksperymentów

Ułatwiają prowadzenie eksperymentów uczenia maszynowego w sposób:

• powtarzalny
• kontrolowany
• zorganizowany