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
Découvrez comment surveiller vos modèles ML dans Python.
La surveillance des modèles d'apprentissage automatique garantit le succès à long terme de vos projets d'apprentissage automatique. Le suivi peut s'avérer très complexe, mais il existe des packages Python qui nous aident à comprendre les performances de nos modèles, à identifier les données qui ont changé et qui ont pu entraîner une baisse des performances, et à nous fournir des indications sur les mesures à prendre pour remettre nos modèles sur la bonne voie. Ce cours couvre tout ce que vous devez savoir pour créer un système de surveillance de base en Python, à l'aide du célèbre package de surveillance nannyml.Comprendre le processus de surveillance optimal
La surveillance des modèles ne consiste pas seulement à calculer les performances des modèles en production. Malheureusement, ce n'est pas aussi simple. Particulièrement lorsque les étiquettes sont difficiles à obtenir. Ce cours vous permettra d'acquérir des connaissances sur le processus de surveillance optimal. Cela vous permettra de toujours détecter les défaillances des modèles, d'éviter la fatigue liée aux alertes et d'identifier rapidement la cause du problème.Découvrez comment identifier la cause profonde des problèmes de performance des modèles.
L'analyse des causes profondes constitue un autre élément important de la surveillance des modèles. Ce cours abordera en détail l'utilisation des techniques de détection des dérives de données afin d'identifier la cause profonde des problèmes de performance des modèles. Vous apprendrez à utiliser des techniques de détection de dérive des données univariées et multivariées afin d'identifier les causes potentielles des problèmes liés aux modèles.Prérequis
Programme de formation
Plan du cours
1
Préparation des données et estimation des performances
Dans ce chapitre, vous découvrirez la bibliothèque NannyML et ses fonctions essentielles. Vous apprendrez d’abord à préparer des données brutes pour créer des ensembles de référence et d’analyse prêts pour le monitoring en production. Comme exemple pratique, vous étudierez la prédiction du montant du pourboire pour des courses de taxi à New York. En fin de chapitre, vous verrez aussi comment estimer les performances du modèle de prédiction des pourboires avec NannyML.
- Qu’est-ce que NannyML ?50 XP
- Fonctionnalités clés de NannyML50 XP
- Charger le jeu de données100 XP
- Préparation des données pour NannyML50 XP
- Période de référence ou d’analyse ?100 XP
- Chargement et découpage des données100 XP
- Création des ensembles de référence et d’analyse100 XP
- Estimation des performances50 XP
- Spécifier l’algorithme et le type de problème50 XP
- Interpréter les résultats50 XP
- Workflow CBPE et DLE100 XP
- Estimation des performances pour la prédiction du pourboire100 XP
2
Surveillance des performances et valeur métier
Dans ce chapitre, vous découvrirez les calculateurs de performance réalisée utilisés lorsque la vérité terrain devient disponible. Vous verrez des méthodes plus avancées pour exploiter les résultats, notamment filtrer, tracer, les convertir en data frames, les regrouper par blocs (« chunking ») et définir des seuils personnalisés. Enfin, vous appliquerez ces notions pour calculer la valeur métier d’un modèle entraîné sur le jeu de données de réservations d’hôtel.
3
Analyse des causes racines et résolution des problèmes
Après avoir détecté une dégradation des performances du modèle de réservation d’hôtel, vous apprendrez à identifier le problème sous-jacent qui en est la cause. Dans ce chapitre, vous serez initié aux méthodes de détection de dérive multivariée et univariée. Vous verrez également comment identifier des problèmes de qualité de données et comment corriger les causes profondes détectées.
Surveiller le Machine Learning en Python
Cours
terminé
