Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Surveillance du machine learning
Les modèles d'apprentissage automatique influencent de plus en plus les décisions dans le monde réel. Ces modèles nécessitent une surveillance afin de prévenir les défaillances et de garantir qu'ils apportent une valeur ajoutée à votre entreprise. Ce cours vous présentera les concepts fondamentaux de la création d'un système de surveillance robuste pour vos modèles en production.Découvrez le processus de surveillance idéal
Le cours commence par présenter un plan d'action indiquant par où commencer la surveillance en production et comment structurer les processus autour de celle-ci. Nous aborderons le processus de travail de base en vous montrant comment détecter les problèmes, identifier leurs causes profondes et les résoudre à l'aide d'exemples concrets.Découvrez les défis liés à la surveillance des modèles en production
Le déploiement d'un modèle en production n'est que le début du cycle de vie du modèle. Même s'il fonctionne correctement pendant le développement, il peut échouer en raison de l'évolution constante des données de production. Dans ce cours, vous explorerez les difficultés liées au suivi des performances d'un modèle, en particulier lorsqu'il n'existe aucune vérité terrain.Comprendre en détail le décalage des covariables et la dérive conceptuelle
La dernière partie de ce cours se concentrera sur deux types de défaillance silencieuse des modèles. Vous comprendrez en détail les différents types de changements de covariables et de dérive conceptuelle, leur influence sur les performances du modèle, ainsi que la manière de les détecter et de les prévenir.Prérequis
Programme de formation
Plan du cours
1
Qu’est-ce que le monitoring en ML
Ce premier chapitre explique pourquoi les entreprises doivent monitorer vos modèles de Machine Learning en production. Vous découvrirez le flux de travail idéal de monitoring et ses étapes, ainsi que certains défis auxquels les systèmes de monitoring font face en production.
- Pourquoi vous devez surveiller votre modèle50 XP
- Pourquoi les modèles échouent-ils ?50 XP
- Les avantages des systèmes de monitoring50 XP
- Le workflow idéal de monitoring50 XP
- L’importance de suivre les KPI50 XP
- Workflow de monitoring idéal100 XP
- Workflow de monitoring dans un scénario réel100 XP
- Défis de la surveillance des modèles de ML50 XP
- Ground truth différé100 XP
- Covariate shift vs concept drift100 XP
2
Concepts théoriques du monitoring
Dans le chapitre 2, vous verrez l’importance fondamentale du suivi des performances dans un système de monitoring fiable. Nous explorerons les défis courants rencontrés en production réelle, comme la disponibilité de la vérité terrain. À la fin du chapitre, vous saurez gérer les situations où ces données de vérité terrain sont retardées ou absentes, grâce à des algorithmes d’estimation des performances.
3
Détection du covariate shift et du concept drift
Maintenant que vous connaissez les bases du covariate shift et du concept drift en production, allons un peu plus loin. À la fin de ce chapitre, vous connaîtrez les différentes façons de les détecter et de les gérer dans des scénarios réels.
Concepts de monitoring en Machine Learning
Cours
terminé
