Kurs
Monitorowanie uczenia maszynowego w Pythonie
ZaawansowanyPoziom umiejętności
Zaktualizowano 05.2025
PythonMachine Learning3 godz.11 filmów38 Ćwiczeń2,800 XP3,965Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Dowiedz się, jak monitorować swoje modele ML w Pythonie
Monitorowanie modeli uczenia maszynowego zapewnia długoterminowy sukces Twoich projektów z zakresu uczenia maszynowego. Monitorowanie może być bardzo złożone, jednak istnieją pakiety Pythona, które pomagają nam zrozumieć, jak działają nasze modele, jakie dane uległy zmianie i mogły doprowadzić do spadku wydajności, a także dają nam wskazówki, co musimy zrobić, aby przywrócić nasze modele na właściwe tory. Ten kurs obejmuje wszystko, co musisz wiedzieć, aby zbudować podstawowy system monitorowania w Pythonie, korzystając z popularnego pakietu monitor, nannyml.Poznaj optymalny proces monitorowania
Monitorowanie modeli to nie tylko proste obliczanie wydajności modelu w środowisku produkcyjnym. Niestety, to nie jest takie proste. Zwłaszcza gdy etykiety trudno zdobyć. Ten kurs nauczy Cię optymalnego procesu monitorowania. Zapewni to, że zawsze wychwycisz awarie modeli, unikniesz zmęczenia alertami i szybko dotrzesz do źródła problemu.Dowiedz się, jak znaleźć przyczynę problemów z wydajnością modelu
Kolejnym ważnym elementem monitorowania modeli jest analiza przyczyn źródłowych. Ten kurs pokaże, jak wykorzystywać techniki wykrywania driftu danych, aby dotrzeć do źródłowej przyczyny problemów z wydajnością modelu. Nauczysz się, jak wykorzystywać zarówno jednowymiarowe, jak i wielowymiarowe techniki wykrywania dryfu danych, aby odkrywać potencjalne przyczyny problemów z modelem.Wymagania wstępne
Monitoring Machine Learning Concepts1
Data Preparation and Performance Estimation
In this chapter, you will be introduced to the NannyML library and its fundamental functions. Initially, you will learn the process of preparing raw data to create reference and analysis sets ready for production monitoring. As a practical example, you will investigate predicting the tip amount for taxi rides in New York. Toward the end of the chapter, you will also discover how to estimate the performance of the tip prediction model using NannyML.
2
Monitoring Performance and Business Value
In this chapter, you will be introduced to realized performance calculators used when ground truth becomes available. You will learn about the more advanced methods for handling results, including filtering, plotting, converting them to data frames, chunking, and establishing custom thresholds. Lastly, you'll apply this knowledge to calculate the business value of a model trained on the hotel booking dataset.
3
Root Cause Analysis and Issue Resolution
Having detected the performance degradation in the hotel booking model, you will now learn how to identify the underlying issue causing it. In this chapter, you will be introduced to multivariate and univariate drift detection methods. You will also learn how to identify data quality issues and how to address the underlying problems you detect.
Monitorowanie uczenia maszynowego w Pythonie
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Monitorowanie uczenia maszynowego w Pythonie już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.