Supervisión de conceptos de aprendizaje automático
Aprende sobre los desafíos de monitorear modelos de aprendizaje automático en producción y cómo abordarlos.
Comience El Curso Gratis2 horas11 vídeos33 ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿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
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Ingeniero Asociado de IA para Científicos de Datos
Ir a la pistaIngeniero de Aprendizaje Automático
Ir a la pistaMachine learning en la producción en Python
Ir a la pista- 1
Qué es ML Monitorización
GratuitoEl 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.
Por qué necesitas controlar tu modelo50 xp¿Por qué fracasan los modelos?50 xpLas ventajas de los sistemas de vigilancia50 xpEl flujo de trabajo de supervisión ideal50 xpLa importancia de vigilar KPIs50 xpFlujo de trabajo de supervisión ideal100 xpSeguimiento del flujo de trabajo en un escenario real100 xpRetos de la supervisión de los modelos ML50 xpRetraso de la verdad sobre el terreno100 xpDesplazamiento de covariables vs deriva de conceptos100 xp - 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.
Supervisar directamente el rendimiento técnico50 xp¿Por qué primero el rendimiento?50 xpDiferentes desplazamientos de covariables50 xpDisponibilidad de la verdad sobre el terreno50 xp¿Es necesaria una estimación del rendimiento?50 xpControl del rendimiento en producción100 xpEstimación del rendimiento50 xpCBPE consideraciones50 xpEstimación del rendimiento en producción50 xpAlgoritmos para estimar el rendimiento100 xp - 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.
¿Qué es el desplazamiento de covariables?50 xpFunciones intercambiadas50 xpMétodo de detección de la deriva50 xpCómo detectar el desplazamiento de covariables50 xpCambios sutiles50 xpDiferentes métodos100 xp¿Qué es la deriva conceptual?50 xpTipo de deriva conceptual50 xpInteracción entre la deriva conceptual y el cambio de covariable50 xp¿Cómo gestionar la deriva conceptual?50 xpAdaptación en tiempo real50 xpDetección y resolución de la deriva conceptual100 xpResumen50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Ingeniero Asociado de IA para Científicos de Datos
Ir a la pistaIngeniero de Aprendizaje Automático
Ir a la pistaMachine learning en la producción en Python
Ir a la pistacolaboradores
Hakim Elakhrass
Ver MásCo-founder and CEO of NannyML
¿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
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.