Перейти к основному содержимому

Курс

Мониторинг систем машинного обучения

Средний2 ч

Узнайте о сложностях мониторинга моделей машинного обучения в продакшене, включая дрейф данных и концепций, а также о методах борьбы с деградацией модели.

Python2 чвидео: 11Упражнений: 332,050 XP5,475Свидетельство о достижении

Создать бесплатный аккаунт

Продолжить через Google
или
Продолжая, вы принимаете нашу Условия использования, наши Политику конфиденциальности и то, что ваши данные хранятся в США.

Нас выбирают учащиеся из тысяч компаний

Обучаете команду?

Попробовать для бизнеса

Описание курса

Основы мониторинга машинного обучения

Модели машинного обучения всё сильнее влияют на всё большее число решений в реальном мире. Эти модели требуют мониторинга, чтобы предотвратить сбои и обеспечить, чтобы они приносили бизнес-ценность вашей компании. Этот курс познакомит вас с основными концепциями создания надежной системы мониторинга для ваших моделей в продакшене.

Откройте для себя идеальный рабочий процесс мониторинга

Курс начинается с плана того, с чего следует начать мониторинг в production и как выстроить вокруг него процессы. Мы рассмотрим базовый рабочий процесс, показав вам, как выявлять проблемы, определять их первопричины и устранять их на реальных примерах.

Изучите сложности мониторинга моделей в промышленной среде

Развертывание модели в production — это лишь начало жизненного цикла модели. Даже если во время разработки он показывает хорошие результаты, он может дать сбой из-за постоянно меняющихся производственных данных. В этом курсе вы изучите сложности мониторинга производительности модели, особенно когда отсутствует истинное значение.

Подробно разберитесь в ковариатном сдвиге и дрейфе концепции

Последняя часть этого курса будет посвящена двум типам скрытых сбоев модели. Вы подробно разберёте различные виды сдвига ковариат и дрейфа концепции, их влияние на качество модели, а также научитесь выявлять и предотвращать их.

Предварительные требования

Программа

План курса

1

Что такое мониторинг ML

В первой главе объясняется, зачем бизнесу нужно отслеживать работу моделей машинного обучения в производственной среде. Вы узнаете об оптимальном процессе мониторинга и его этапах, а также о типичных сложностях, с которыми сталкиваются системы мониторинга на практике.
Начать главу
2

Теоретические основы мониторинга

Во второй главе вы узнаете, почему мониторинг производительности является основой надёжной системы мониторинга. Мы рассмотрим типичные трудности, возникающие в реальных производственных средах, в частности проблему доступности истинных меток. К концу главы вы будете знать, как действовать в ситуациях, когда данные с истинными метками поступают с задержкой или недоступны вовсе, — с помощью алгоритмов оценки производительности.
Начать главу

Мониторинг систем машинного обучения

Курс
завершён

Получить сертификат об окончании

Записаться сейчас

Развивайте навыки работы с данными с помощью DataCamp для мобильных устройств

Продвигайтесь вперёд в дороге с нашими мобильными курсами и ежедневными 5-минутными заданиями по программированию.