Проектирование рабочих процессов машинного обучения на Python

В предыдущей главе вы углубили знания о стандартных рабочих процессах обучения с учителем. В этой главе вы критически рассмотрите способы включения экспертных знаний в такое обучение. Это достигается через выбор подходящей единицы анализа, которая может потребовать конструирования признаков из нескольких источников данных, через не всегда точный процесс разметки примеров, а также через задание функции потерь, отражающей реальную бизнес-ценность ошибок вашей модели.

В предыдущей главе вы применяли различные способы включения обратной связи от экспертов в рабочий процесс и оценивали её с учётом бизнес-ценности. Теперь пришло время освоить навыки, необходимые для перевода модели в производственную среду и поддержания её качества за счёт итеративного улучшения. Вы также научитесь диагностировать смещение набора данных и снижать влияние изменяющейся среды на точность модели.

В предыдущих главах вы заложили прочную основу в области обучения с учителем, включая знания о развёртывании моделей в производственной среде, и всегда предполагали наличие размеченного набора данных. В этой главе вы столкнётесь с задачей моделирования данных без разметки или с очень малым её количеством. Это погружение в обнаружение аномалий — разновидность обучения без учителя — и в обучение на основе расстояний, где представления о сходстве между примерами заменяют метки и позволяют достичь точности, сопоставимой с обучением с учителем. После завершения этой главы вы будете уверенно выделяться среди специалистов по данным, чётко понимая, какие инструменты применять для адаптации рабочего процесса к типичным реальным задачам.