Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Concetti di monitoraggio dell'apprendimento automatico
I modelli di apprendimento automatico influenzano sempre più decisioni nel mondo reale. Questi modelli devono essere monitorati per evitare che si rompano e per assicurarsi che diano un valore aggiunto alla tua azienda. Questo corso ti spiegherà i concetti base per creare un sistema di monitoraggio affidabile per i tuoi modelli in produzione.Scopri il flusso di lavoro di monitoraggio perfetto
Il corso inizia con un piano su dove iniziare a monitorare la produzione e come organizzare i processi che ci girano intorno. Ti spiegheremo il flusso di lavoro di base, mostrandoti come individuare i problemi, capire cosa li causa e risolverli con esempi reali.Scopri le sfide dei modelli di monitoraggio nella produzione
Mettere in funzione un modello è solo l'inizio del suo ciclo di vita. Anche se funziona bene durante lo sviluppo, può non funzionare a causa dei continui cambiamenti dei dati di produzione. In questo corso scoprirai quanto è difficile monitorare le prestazioni di un modello, soprattutto quando non c'è una verità oggettiva.Capire bene lo spostamento delle covariate e la deriva concettuale
L'ultima parte di questo corso si concentrerà su due tipi di guasti silenziosi dei modelli. Capirai bene i diversi tipi di variazioni delle covariate e di deriva concettuale, come influenzano le prestazioni del modello e come individuarle e prevenirle.Prerequisiti
Programma
Struttura del corso
1
Che cos’è il ML Monitoring
Nel primo capitolo vedrai perché le aziende hanno bisogno di monitorare i modelli di machine learning in produzione. Imparerai qual è il flusso di lavoro ideale per il monitoring e le fasi coinvolte, oltre ad alcune delle sfide che i sistemi di monitoring possono incontrare in produzione.
- Perché devi monitorare il tuo modello50 XP
- Perché i modelli falliscono?50 XP
- I benefici dei sistemi di monitoraggio50 XP
- Il flusso di lavoro ideale per il monitoring50 XP
- L’importanza di monitorare le KPI50 XP
- Workflow di monitoraggio ideale100 XP
- Workflow di monitoraggio in uno scenario reale100 XP
- Sfide del monitoraggio dei modelli di ML50 XP
- Ground truth ritardata100 XP
- Covariate shift vs concept drift100 XP
2
Concetti teorici del monitoring
Nel Capitolo 2 scoprirai l’importanza fondamentale del monitoraggio delle prestazioni in un sistema di monitoring affidabile. Esploreremo le sfide più comuni riscontrate negli ambienti di produzione reali, come la disponibilità della ground truth. Al termine del capitolo saprai gestire i casi in cui i dati di ground truth sono in ritardo o assenti, utilizzando algoritmi di stima delle prestazioni.
3
Rilevazione di covariate shift e concept drift
Ora che conosci le basi di covariate shift e concept drift in produzione, approfondiamo un po’ di più. Alla fine di questo capitolo conoscerai i diversi modi per rilevarli e gestirli in scenari reali.
Concetti di Monitoring per il Machine Learning
Corso
completato
