Отчет по заданию Hydra
Объяснение реализации
Реализовано применение фреймворка Hydra. Файл конфигурации config.yaml включает несколько групп параметров: пути к данным и артефактам, файл с данными, параметры для ML-модели.
Консольный скрипт обучения ML-модели
Скрипт trees-training-multirun.py с передачей параметров и возможностью multirun-запуска с подстановкой (перебором) групп параметров, что является частой практикой в DS экспериментах. Конфигурация поддерживает количество используемых ядер процессора NUM_CORES, получаемое из переменной среды ОС. Варианты запуска, примеры:
python src/trees-training-multirun.py
python src/trees-training-multirun.py -m params.epochs=20
python src/trees-training-multirun.py -m params.batch_size=32,64
Ноутбук с получением данных по Compose-API
Ноутбук trees-training-getparams.ipynb с загрузкой параметров конфигурации через Compose-API.
Созданные артефакты
Артефакт обучения ML-модели
Артефакт создан как часть workflow процесса обработки данных. Обучение модели носит демонстрационный характер.
Входной файл: data-data-clean-half.csv.gz
Достигнутая точность: 0.802
Артефакт обучения ML-модели
Артефакт создан как часть workflow процесса обработки данных. Обучение модели носит демонстрационный характер.
Входной файл: data-data-clean-half.csv.gz
Достигнутая точность: 0.802
