Clustering de KMeans en el Conjunto de Datos Iris con Registro en WandB y GitHub Actions

Este proyecto demuestra cómo automatizar el entrenamiento de un modelo de clustering KMeans en el conjunto de datos Iris y registrar los detalles del experimento utilizando Weights & Biases (WandB), todo esto integrado con GitHub Actions para una ejecución automática.

Prerrequisitos

Asegúrate de tener configurado tu entorno de GitHub y WandB con las siguientes consideraciones:

• Una cuenta de GitHub.
• Una cuenta en WandB y una API KEY generada.
• Configurar la API KEY de WandB como un secreto en GitHub (WANDB_API_KEY).

Configuración del Flujo de Trabajo de GitHub Actions

El flujo de trabajo definido en .github/workflows se activa con cada push al archivo source/load_n_classify.py en la rama master. El flujo incluye los siguientes pasos:

1. Checkout del Código: Utiliza actions/checkout@v3 para obtener el código más reciente.
2. Configuración de Python: Establece el entorno Python usando actions/setup-python@v4, específicamente la versión 3.9.
3. Instalación de Dependencias: Instala todas las dependencias necesarias definidas en requirements.txt.
4. Login en WandB: Realiza el login en WandB utilizando la API KEY almacenada en los secretos de GitHub.
5. Ejecución del Script: Ejecuta load_n_classify.py pasando como argumento --IdExecution el número de ejecución (run_number) de GitHub Actions.

Uso

Para utilizar este flujo de trabajo:

1. Realiza cambios en el script source/load_n_classify.py según sea necesario.
2. Haz push de tus cambios al archivo en la rama master.
3. GitHub Actions automáticamente ejecutará el flujo de trabajo, entrenando el modelo de clustering y registrando el experimento en WandB.

Salidas

• El script registra los resultados del entrenamiento y las visualizaciones en tu proyecto de WandB.
• Puedes monitorear la ejecución y el resultado del flujo de trabajo en la pestaña Actions de tu repositorio GitHub.