Pular para o conteúdo principal
InícioMachine Learning

Monitoramento de conceitos de machine learning

Conheça os desafios de monitorar modelos de ML em produção, como deriva de dados e conceito, e métodos para resolver.

Comece O Curso Gratuitamente
2 horas11 vídeos33 exercícios2.195 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado por alunos de milhares de empresas


Descrição do Curso

Conceitos de monitoramento de machine learning

Os modelos de machine learning influenciam cada vez mais decisões no mundo real. Esses modelos precisam ser monitorados para evitar falhas e garantir que forneçam valor comercial à sua empresa. Este curso apresentará a você os conceitos fundamentais da criação de um sistema de monitoramento robusto para seus modelos em produção.

Descubra o fluxo de trabalho de monitoramento ideal

O curso começa com o plano de onde começar o monitoramento na produção e como estruturar os processos em torno dele. Cobriremos o fluxo de trabalho básico, mostrando a você como detectar os problemas, identificar as causas principais e resolvê-los com exemplos do mundo real.

Explore os desafios de monitorar modelos na produção

A implantação de um modelo em produção é apenas o início do ciclo de vida do modelo. Mesmo que tenha um bom desempenho durante o desenvolvimento, ele pode falhar devido à mudança contínua dos dados de produção. Neste curso, você explorará as dificuldades de monitorar o desempenho de um modelo, especialmente quando não há verdade fundamental.

Entenda em detalhes a mudança de covariável e o desvio de conceito

A última parte deste curso se concentrará em dois tipos de falha de modelo silencioso. Você entenderá detalhadamente os diferentes tipos de mudanças de covariáveis e desvios de conceito, sua influência no desempenho do modelo e como detectá-los e evitá-los.
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Engenheiro associado de IA para cientistas de dados

Ir para a trilha

Engenheiro de aprendizado de máquina

Ir para a trilha

Aprendizado de máquina na produção em Python

Ir para a trilha
  1. 1

    O que é o monitoramento ML

    Gratuito

    O primeiro capítulo explicará por que as empresas precisam monitorar seus modelos de machine learning na produção. Você aprenderá sobre o fluxo de trabalho de monitoramento ideal e as etapas envolvidas, bem como alguns dos desafios que os sistemas de monitoramento podem enfrentar na produção.

    Reproduzir Capítulo Agora
    Por que você precisa monitorar seu modelo
    50 xp
    Por que os modelos falham?
    50 xp
    Os benefícios dos sistemas de monitoramento
    50 xp
    O fluxo de trabalho de monitoramento ideal
    50 xp
    A importância de monitorar KPIs
    50 xp
    Fluxo de trabalho de monitoramento ideal
    100 xp
    Monitoramento do fluxo de trabalho em um cenário real
    100 xp
    Desafios do monitoramento dos modelos ML
    50 xp
    Verdade terrestre atrasada
    100 xp
    Mudança de covariável vs. mudança de conceito
    100 xp
  2. 2

    Conceitos teóricos de monitoramento

    No Capítulo 2, você descobrirá a importância fundamental do monitoramento de desempenho em um sistema de monitoramento confiável. Exploraremos os desafios comuns enfrentados em ambientes de produção do mundo real, como a disponibilidade da verdade terrestre. Ao final do capítulo, você saberá como lidar com situações em que os dados da verdade terrestre estão atrasados ou ausentes, usando algoritmos de estimativa de desempenho.

    Reproduzir Capítulo Agora
  3. 3

    Mudança de covariável e detecção de desvio de conceito

    Agora que você conhece os conceitos básicos de mudança de covariável e desvio de conceito na produção, vamos nos aprofundar um pouco mais. Ao final deste capítulo, você conhecerá as diferentes maneiras de detectar e lidar com eles em cenários reais.

    Reproduzir Capítulo Agora
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.

Nas seguintes faixas

Engenheiro associado de IA para cientistas de dados

Ir para a trilha

Engenheiro de aprendizado de máquina

Ir para a trilha

Aprendizado de máquina na produção em Python

Ir para a trilha

colaboradores

Collaborator's avatar
George Boorman
Collaborator's avatar
Arne Warnke

pré-requisitos

MLOps ConceptsSupervised Learning with scikit-learn
Hakim Elakhrass HeadshotHakim Elakhrass

Co-founder and CEO of NannyML

Ver Mais

O que os outros alunos têm a dizer?

Junte-se a mais de 15 milhões de alunos e comece Monitoramento de conceitos de machine learning hoje mesmo!

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.