Projektowanie przepływów pracy uczenia maszynowego w Pythonie

W poprzednim rozdziale pogłębiłeś wiedzę na temat standardowych przepływów pracy w uczeniu nadzorowanym. W tym rozdziale przyjrzysz się krytycznie sposobom, w jakie wiedza ekspercka jest włączana do procesu uczenia nadzorowanego. Odbywa się to poprzez identyfikację właściwej jednostki analizy, która może wymagać inżynierii cech z wielu źródeł danych, przez często niedoskonały proces etykietowania przykładów, a także przez definiowanie funkcji straty odzwierciedlającej rzeczywistą wartość biznesową błędów popełnianych przez model.

W poprzednim rozdziale stosowałeś różne sposoby uwzględniania informacji zwrotnej od ekspertów w przepływie pracy oraz oceniałeś ją w sposób zgodny z wartością biznesową. Teraz czas przećwiczyć umiejętności potrzebne do wdrożenia modelu na produkcję i zapewnienia jego długotrwałej skuteczności poprzez iteracyjne doskonalenie. Nauczysz się też diagnozować przesunięcie zbioru danych i ograniczać wpływ zmieniającego się środowiska na dokładność modelu.

W poprzednich rozdziałach zbudowałeś solidne podstawy uczenia nadzorowanego, łącznie z wiedzą o wdrażaniu modeli na produkcję – zakładając jednak zawsze, że do analizy dostępny jest oznakowany zbiór danych. W tym rozdziale podejmiesz wyzwanie modelowania danych bez etykiet lub z bardzo nielicznymi etykietami. Poznasz metody wykrywania anomalii jako rodzaj modelowania bez nadzoru, a także uczenie oparte na odległości, gdzie przekonania o podobieństwie między przykładami mogą zastąpić etykiety i pomóc osiągnąć dokładność porównywalną z nadzorowanym przepływem pracy. Po ukończeniu tego rozdziału będziesz wyraźnie wyróżniać się wśród data scientistów – pewnie wiedząc, jakich narzędzi użyć, by dostosować swój przepływ pracy do typowych wyzwań rzeczywistych projektów.