После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Узнайте, как отслеживать свои ML-модели в Python
Мониторинг моделей машинного обучения обеспечивает долгосрочный успех ваших проектов в области машинного обучения. Мониторинг может быть очень сложным, однако существуют пакеты Python, которые помогают нам понять, насколько хорошо работают наши модели, какие данные изменились и могли привести к снижению качества, а также дают нам подсказки о том, что нужно сделать, чтобы вернуть наши модели в нужное русло. Этот курс охватывает всё, что вам нужно знать, чтобы создать базовую систему мониторинга на Python с использованием популярного пакета мониторинга nannyml.Поймите оптимальный рабочий процесс мониторинга
Мониторинг моделей — это не просто расчет производительности модели в рабочей среде. К сожалению, всё не так просто. Особенно когда ярлыки трудно найти. Этот курс познакомит вас с оптимальным рабочим процессом мониторинга. Это позволит вам всегда выявлять сбои моделей, избегать усталости от оповещений и быстро добираться до первопричины проблемы.Узнайте, как находить первопричину проблем с производительностью модели
Еще одним важным компонентом мониторинга моделей является анализ первопричин. Этот курс подробно расскажет, как использовать методы обнаружения дрейфа данных, чтобы выявить первопричину проблем с производительностью модели. Вы узнаете, как использовать как методы обнаружения дрейфа данных по одной переменной, так и многомерные методы, чтобы выявлять потенциальные первопричины проблем модели.Предварительные требования
Программа
План курса
1
Подготовка данных и оценка производительности
В этой главе вы познакомитесь с библиотекой NannyML и её основными функциями. Сначала вы изучите процесс подготовки исходных данных для создания эталонных и аналитических наборов, готовых к производственному мониторингу. В качестве практического примера вы будете прогнозировать размер чаевых для поездок на такси в Нью-Йорке. В конце главы вы также узнаете, как оценить производительность модели прогнозирования чаевых с помощью NannyML.
- Что такое NannyML?50 XP
- Ключевые возможности NannyML50 XP
- Загрузка набора данных100 XP
- Подготовка данных для NannyML50 XP
- Референсный или аналитический период?100 XP
- Загрузка и разбивка данных100 XP
- Создание эталонной и аналитической выборок100 XP
- Оценка производительности50 XP
- Выберите алгоритм и тип задачи50 XP
- Интерпретация результатов50 XP
- Рабочий процесс CBPE и DLE100 XP
- Оценка производительности модели предсказания чаевых100 XP
2
Мониторинг производительности и бизнес-ценности
В этой главе вы познакомитесь с калькуляторами реализованной производительности, которые применяются при наличии истинных меток. Вы изучите более продвинутые методы работы с результатами: фильтрацию, визуализацию, преобразование в датафреймы, разбиение на фрагменты и задание пользовательских порогов. В завершение вы применёте полученные знания для расчёта бизнес-ценности модели, обученной на наборе данных о бронировании отелей.
3
Анализ первопричин и устранение проблем
Обнаружив деградацию производительности модели бронирования отелей, вы научитесь выявлять лежащую в её основе причину. В этой главе вы познакомитесь с методами обнаружения многомерного и одномерного дрейфа данных. Вы также узнаете, как выявлять проблемы качества данных и устранять обнаруженные недостатки.
Мониторинг машинного обучения на Python
Курс
завершён
