Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
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
Lesprogramma
Cursusoverzicht
1
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.
- Wat is NannyML?50 XP
- Belangrijkste functies van NannyML50 XP
- Laad de gegevensset100 XP
- Gegevens voorbereiden voor NannyML50 XP
- Referentie- of analyseperiode?100 XP
- De data laden en splitsen100 XP
- Referentie- en analyseset maken100 XP
- Prestatie-inschatting50 XP
- Specificeer het algoritme en het probleemtype50 XP
- Resultaten interpreteren50 XP
- CBPE- en DLE-workflow100 XP
- Prestatie-inschatting voor tipvoorspelling100 XP
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
