Cursus
Monitoring Machine Learning in Python
GevorderdVaardigheidsniveau
Bijgewerkt 05-2025
PythonMachine Learning3 u11 videos38 Opdrachten2,800 XP3,981Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Leer hoe je je ML-modellen in Python kunt monitoren
Het monitoren van machine learning-modellen zorgt ervoor dat je machine learning-projecten op de lange termijn blijven slagen. Monitoring kan best ingewikkeld zijn, maar er zijn Python-pakketten die ons helpen begrijpen hoe onze modellen presteren, welke gegevens zijn veranderd waardoor de prestaties misschien zijn gedaald, en die ons tips geven over wat we moeten doen om onze modellen weer op de rails te krijgen. Deze cursus behandelt alles wat je moet weten om een eenvoudig monitoringsysteem in Python te bouwen, met behulp van het populaire monitorpakket nannyml.Begrijp de beste manier om dingen in de gaten te houden
Modelmonitoring gaat niet alleen over het simpelweg berekenen van de prestaties van een model in productie. Helaas is het niet zo simpel. Vooral als labels moeilijk te vinden zijn. In deze cursus leer je alles over de beste manier om je monitoring te regelen. Het zorgt ervoor dat je altijd modelstoringen opmerkt, waarschuwingsmoeheid voorkomt en snel de oorzaak van het probleem vindt.Ontdek hoe je de echte oorzaak van problemen met modelprestaties kunt vinden.
Een ander belangrijk onderdeel van modelmonitoring is het achterhalen van de echte oorzaak. In deze cursus gaan we dieper in op hoe je technieken voor het spotten van datadrift kunt gebruiken om de echte oorzaak van problemen met modelprestaties te vinden. Je leert hoe je zowel univariate als multivariate technieken voor het opsporen van gegevensafwijkingen kunt gebruiken om mogelijke oorzaken van modelproblemen te ontdekken.Vereisten
Monitoring Machine Learning Concepts1
Datavoorbereiding en prestatieschatting
In dit hoofdstuk maak je kennis met de NannyML-bibliotheek en de basisfuncties. Je leert eerst hoe je ruwe data voorbereidt om referentie- en analysemappen te maken die klaar zijn voor monitoring in productie. Als praktisch voorbeeld onderzoek je hoe je het fooibedrag voor taxiritten in New York kunt voorspellen. Aan het einde van het hoofdstuk ontdek je ook hoe je met NannyML de prestaties van het fooi-voorspellingsmodel kunt schatten.
2
Prestaties en bedrijfswaarde monitoren
In dit hoofdstuk maak je kennis met gerealiseerde prestatiecalculators die je gebruikt zodra de grondwaarheid beschikbaar komt. Je leert meer geavanceerde methoden om met resultaten te werken, waaronder filteren, plotten, omzetten naar dataframes, chunking en het instellen van aangepaste drempels. Tot slot pas je dit toe om de bedrijfswaarde te berekenen van een model dat is getraind op de hotelboekingsgegevensset.
3
Oorzaakanalyse en probleemoplossing
Nu de prestatieverslechtering in het hotelboekingsmodel is gedetecteerd, leer je hoe je het onderliggende probleem identificeert dat dit veroorzaakt. In dit hoofdstuk maak je kennis met multivariate en univariate driftdetectiemethoden. Je leert ook hoe je datakwaliteitsproblemen herkent en hoe je de onderliggende oorzaken die je ontdekt aanpakt.
Monitoring Machine Learning in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Monitoring Machine Learning in Python!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.