Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Aprende a supervisar tus modelos de aprendizaje automático en Python.
La supervisión de los modelos de machine learning garantiza el éxito a largo plazo de tus proyectos de machine learning. La supervisión puede ser muy compleja, sin embargo, existen paquetes de Python que nos ayudan a comprender cómo están funcionando nuestros modelos, qué datos han cambiado y podrían haber provocado una caída en el rendimiento, y nos dan pistas sobre lo que debemos hacer para que nuestros modelos vuelvan a funcionar correctamente. Este curso cubre todo lo que necesitas saber para crear un sistema de monitorización básico en Python, utilizando el popular paquete de monitorización nannyml.Comprender el flujo de trabajo óptimo para la supervisión
La supervisión de modelos no consiste solo en calcular el rendimiento de los modelos en producción. Por desgracia, no es tan fácil. Especialmente cuando las etiquetas son difíciles de conseguir. Este curso te enseñará cuál es el flujo de trabajo óptimo para la supervisión. Te garantizará que siempre detectes los fallos del modelo, evites la fatiga por alertas y llegues rápidamente al origen del problema.Aprende a encontrar la causa raíz de los problemas de rendimiento de los modelos.
Otro componente importante para el monitoreo de modelos es el análisis de la causa raíz. Este curso profundizará en cómo utilizar técnicas de detección de desviaciones de datos para llegar a la raíz de los problemas de rendimiento de los modelos. Aprenderás a utilizar técnicas de detección de desviaciones de datos univariantes y multivariantes para descubrir las posibles causas fundamentales de los problemas del modelo.Requisitos previos
Programa de formación
Contenido del curso
1
Preparación de datos y estimación del rendimiento
En este capítulo, conocerás la biblioteca NannyML y sus funciones fundamentales. Primero, aprenderás a preparar datos en bruto para crear conjuntos de referencia y de análisis listos para la monitorización en producción. Como ejemplo práctico, investigarás la predicción del importe de la propina en trayectos de taxi en Nueva York. Al final del capítulo, también verás cómo estimar el rendimiento del modelo de predicción de propinas con NannyML.
- ¿Qué es NannyML?50 XP
- Características clave de NannyML50 XP
- Carga el conjunto de datos100 XP
- Preparación de datos para NannyML50 XP
- ¿Periodo de referencia o de análisis?100 XP
- Cargar y dividir los datos100 XP
- Creación de los conjuntos de referencia y de análisis100 XP
- Estimación del rendimiento50 XP
- Especifica el algoritmo y el tipo de problema50 XP
- Interpretar resultados50 XP
- Flujo de trabajo de CBPE y DLE100 XP
- Estimación del rendimiento para la predicción de propinas100 XP
2
Monitorización del rendimiento y del valor de negocio
En este capítulo, te presentaremos los calculadores de rendimiento realizado cuando la verdad terreno está disponible. Aprenderás métodos más avanzados para trabajar con los resultados, como filtrarlos, representarlos, convertirlos en data frames, fragmentarlos en chunks y definir umbrales personalizados. Por último, aplicarás este conocimiento para calcular el valor de negocio de un modelo entrenado con el conjunto de datos de reservas de hotel.
3
Análisis de causa raíz y resolución de problemas
Tras detectar la degradación del rendimiento en el modelo de reservas de hotel, ahora aprenderás a identificar el problema subyacente que la provoca. En este capítulo, verás métodos de detección de deriva multivariante y univariante. También aprenderás a identificar problemas de calidad de datos y a abordar las causas de fondo que detectes.
Monitorización de Machine Learning en Python
Curso
completado
