Progettare workflow di Machine Learning in Python

Nel capitolo precedente hai perfezionato la tua conoscenza dei workflow standard di apprendimento supervisionato. In questo capitolo esaminerai in modo critico i modi in cui la conoscenza degli esperti viene incorporata nel supervised learning. Questo avviene attraverso l’identificazione della corretta unità di analisi, che può richiedere feature engineering su più fonti di dati, attraverso il talvolta imperfetto processo di etichettatura degli esempi e tramite la definizione di una funzione di perdita che catturi il reale valore di business degli errori commessi dal tuo modello di Machine Learning.

Nel capitolo precedente hai adottato diversi modi per integrare il feedback degli esperti nel tuo workflow e per valutarlo in modo allineato al valore di business. Ora è il momento di mettere in pratica le competenze necessarie per portare il tuo modello in produzione e assicurarti che continui a funzionare bene nel tempo migliorandolo in modo iterativo. Imparerai anche a diagnosticare il dataset shift e a mitigare l’effetto che un ambiente in cambiamento può avere sull’accuratezza del tuo modello.

Nei capitoli precedenti hai costruito solide basi nel supervised learning, inclusa la messa in produzione dei modelli, ma hai sempre dato per scontato di avere a disposizione un insieme di dati etichettato per l’analisi. In questo capitolo affronterai la sfida di modellare dati senza etichette o con pochissime etichette. Questo ti porta in un percorso nell’anomaly detection, una forma di modellazione non supervisionata, e nel distance-based learning, dove convinzioni su cosa renda simili due esempi possono sostituire le etichette per aiutarti a raggiungere livelli di accuratezza paragonabili a un workflow supervisionato. Al termine del capitolo, ti distinguerai chiaramente dalla massa dei data scientist grazie alla sicurezza con cui saprai scegliere gli strumenti giusti per adattare il tuo workflow e superare sfide comuni del mondo reale.