Saltar al contenido principal
InicioMachine LearningSupervisión de conceptos de aprendizaje automático

Supervisión de conceptos de aprendizaje automático

Aprende sobre los desafíos de monitorear modelos de aprendizaje automático en producción y cómo abordarlos.

Comience El Curso Gratis
2 horas11 vídeos33 ejercicios

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.
Group¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas

Preferido por estudiantes en miles de empresas


Descripción del curso

Conceptos de supervisión del aprendizaje automático

Los modelos de aprendizaje automático influyen cada vez más en las decisiones del mundo real. Estos modelos necesitan supervisión para evitar fallos y garantizar que aportan valor empresarial a tu empresa. Este curso te introducirá en los conceptos fundamentales de la creación de un sistema sólido de supervisión de tus modelos en producción.

Descubre el flujo de trabajo de supervisión ideal

El curso comienza con el esquema de por dónde empezar a supervisar en producción y cómo estructurar los procesos en torno a ello. Cubriremos el flujo de trabajo básico mostrándote cómo detectar los problemas, identificar las causas raíz y resolverlos con ejemplos del mundo real.

Explora los retos de la supervisión de modelos en producción

Desplegar un modelo en producción es sólo el principio del ciclo de vida del modelo. Aunque funcione bien durante el desarrollo, puede fallar debido a los continuos cambios de los datos de producción. En este curso, explorarás las dificultades de controlar el rendimiento de un modelo, sobre todo cuando no existe una verdad de base.

Comprender en Detalle el Desplazamiento de Covariables y la Deriva de Conceptos

La última parte de este curso se centrará en dos tipos de fallo silencioso del modelo. Conocerás en detalle los distintos tipos de desplazamientos de covariables y de deriva conceptual, su influencia en el rendimiento del modelo y cómo detectarlos y evitarlos.
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más
Pruebe DataCamp Para EmpresasPara obtener una solución a medida, reserve una demostración.

En las siguientes pistas

Ingeniero Asociado de IA para Científicos de Datos

Ir a la pista

Ingeniero de Aprendizaje Automático

Ir a la pista

Machine learning en la producción en Python

Ir a la pista
  1. 1

    Qué es ML Monitorización

    Gratuito

    El primer capítulo explicará por qué las empresas necesitan supervisar sus modelos de aprendizaje automático en producción. Conocerás el flujo de trabajo ideal de la monitorización y los pasos que implica, así como algunos de los retos a los que pueden enfrentarse los sistemas de monitorización en producción.

    Reproducir Capítulo Ahora
    Por qué necesitas controlar tu modelo
    50 xp
    ¿Por qué fracasan los modelos?
    50 xp
    Las ventajas de los sistemas de vigilancia
    50 xp
    El flujo de trabajo de supervisión ideal
    50 xp
    La importancia de vigilar KPIs
    50 xp
    Flujo de trabajo de supervisión ideal
    100 xp
    Seguimiento del flujo de trabajo en un escenario real
    100 xp
    Retos de la supervisión de los modelos ML
    50 xp
    Retraso de la verdad sobre el terreno
    100 xp
    Desplazamiento de covariables vs deriva de conceptos
    100 xp
  2. 2

    Conceptos teóricos de seguimiento

    En el Capítulo 2, descubrirás la importancia fundamental de la supervisión del rendimiento en un sistema de supervisión fiable. Exploraremos los retos habituales a los que se enfrentan los entornos de producción del mundo real, como la disponibilidad de la verdad sobre el terreno. Al final del capítulo, sabrás cómo manejar situaciones en las que los datos de la verdad sobre el terreno están retrasados o ausentes , utilizando algoritmos de estimación del rendimiento.

    Reproducir Capítulo Ahora
  3. 3

    Detección de Desplazamiento de Covariables y Deriva de Conceptos

    Ahora que ya conoces los fundamentos del desplazamiento de covariables y la deriva de conceptos en la producción, vamos a profundizar un poco más. Al final de este capítulo, conocerás las distintas formas de detectarlos y manejarlos en situaciones reales.

    Reproducir Capítulo Ahora
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más

En las siguientes pistas

Ingeniero Asociado de IA para Científicos de Datos

Ir a la pista

Ingeniero de Aprendizaje Automático

Ir a la pista

Machine learning en la producción en Python

Ir a la pista

colaboradores

Collaborator's avatar
George Boorman
Collaborator's avatar
Arne Warnke

requisitos previos

MLOps ConceptsSupervised Learning with scikit-learn
Hakim Elakhrass HeadshotHakim Elakhrass

Co-founder and CEO of NannyML

Ver Más

¿Qué tienen que decir otros alumnos?

¡Únete a 14 millones de estudiantes y empieza Supervisión de conceptos de aprendizaje automático hoy mismo!

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.